scrapy框架

标签：rsh   数据下载   list   extract   style   系统   select   online   后缀   

框架：继承了很多功能并且具有很强通用性的项目模板

scrapy:高性能的持久化存储，异步的数据下载，高性能数据解析，分布式

 环境安装：

　　linux和mac操作系统：

• • pip install scrapy

　　windows系统：

• • pip install wheel
  • 下载twisted，下载地址为http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
  • 安装twisted：pip install Twisted?17.1.0?cp36?cp36m?win_amd64.whl
  • pip install pywin32  pip install scrapy

                测试：在终端里录入scrapy指令，没有报错即表示安装成功

基本使用：

　　scrapy startproject xxxx

　　spiders子目录创建一个爬虫文件：

　　　　- cd 工程目录中

　　　　- scrapy genspider spiderName  url

　　　　- 执行工程：

　　　　　　scrapy crawl spiderName

　　　　　　scrapy crawl spiderName --nolog #不打印日志信息

　　　　　　settings下写  LOG_LEVEL = ‘ERROR‘ #日志只写错误类型

数据解析：

　　　　　　xpath返回列表 是Selector对象  Selector.extract() /extract_first()或列表.extract（）表示列表中每一个的selector的data对应字符串的提取

持久化存储：

　　1.基于终端指令

　　　　-要求：只可以将parse方法的返回值存储到本地的文本文件中

　　　　- scrapy crawl 1ocilang -o 路径 （.csv常用 json常用 jsonlines jl xml marshal pickle)

　　　　- 优点：简洁高效...

　　　　-缺点：局限性 只能存指定后缀文本值 只能存parse的return值

　　2.基于管道（常用）

　　　  - 编码流程：

• • 数据解析
  • 在item中定义相关属性
  • 将解析的数据封装存储到item类型的对象中（手动实例化）
  • 将item类型的对象提交给管道进行持久化存储操作  #yield item
  • 在管道类额process_item中要将其接收到的item对象中存储的数据进行持久化存储
  • 在配置文件中开启管道　　　　

scrapy框架

标签：rsh   数据下载   list   extract   style   系统   select   online   后缀   

原文地址：https://www.cnblogs.com/Jnhnsnow/p/11622548.html