爬虫框架Scrapy 之(四) --- scrapy运行原理(管道…

2019-04-29 08:52:54来源:博客园 阅读 ()

新老客户大回馈,云服务器低至5折

 

解析后返回可迭代对象

  • 这个对象返回以后就会被爬虫重新接收,然后进行迭代
  • 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中
  • 如果管道开启,则每迭代一次数据就会将其输入到管道中(在settings文件中可以开启管道)

1. budejie.py 文件

 1  def parse(self, response):
 2         # 这个函数是解析函数,它是通过下载来回调,下载器下载完成一个url数据以后就会回调这个函数并且把下载的响应对象通过response参数传递过来
 3         print(response)
4 # 解析response 5 contents = response.xpath("//div[@class='j-r-list']/ul/li") # scrapy中自带xpath和css两种解析方法 6 # print(contents) 7 for content in contents: 8 item = {} 9 item["author"] = content.xpath(".//a[@class='u-user-name']/text()").extract()[0] 10 # scrapy的xpath和css方法中返回出来的是一个Selector对象列表,我们需要用extract函数将内容从这个对象中提取出来 11 item["authorImg"] = content.xpath(".//img[@class='u-logo lazy']/@data-original").extract()[0] 12 item["content"] = content.xpath(".//div[@class='j-r-list-c-desc']/a/text()").extract()[0] 13 item["imgSrc"] = content.xpath(".//img[@class='lazy']/@data-original").extract()[0] 14 # print(item)

15 yield item # 每一个解析函数最后都要返回出去一个可迭代的对象 16 # 这个对象返回以后就会被爬虫重新接收,然后进行迭代 17 # 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中 18 # 如果管道开启,则每迭代一次数据就会将其输入到管道中(在settings文件中可以开启管道)

开启管道,将迭代的对象传入管道

  • 在setting.py 文件中开启管道(67--69行)
1 ITEM_PIPELINES = {
2    'MyFirstScrapy.pipelines.MyfirstscrapyPipeline': 300,
3     # settings文件中可以配置相关的组件,其中ITEM_PIPELINES就是其中的一种组件(即管道组件),管道组件的值是一个字典,代表可以设置多个值
4     # 字典中的一个键值对就代表着一个管道组件,键代表当前管道组件的位置,值代表当前管道组件的优先级(数字越小优先级越大)
5 
6     # 数据会按照管道优先级,从高向低传递
7     'MyFirstScrapy.pipelines.CSVPipeline': 200
8 
9 }

MyfirstscrapyPipeline 管道类

  • 在pipelines.py 文件中 声明、设置管道类
 1 class MyfirstscrapyPipeline(object):
 2   # 这个类集成自一个普通类,但是如果我们把它加入到管道组件中就变成了一个管道类
 3 
 4     # 一个管道类有以下三个生命周期函数
 5     def open_spider(self,spider):
 6         print("爬虫开启")
 7         print("当前开启的爬虫为:",spider)
 8         # 创建一个redis链接
 9         self.rds = redis.StrictRedis(host="www.fanjianbo.com",port=6379,db=8)
10 
11     def process_item(self, item, spider):
12       # 当爬虫解析完数据以后,这个方法去迭代返回到管道中数据
13         print("爬虫正在迭代数据...")
14         print("当前正在%s爬虫迭代的数据是:%s"%(spider,item))
15         # 向redis数据库中存入数据
16         self.rds.lpush("budejie",item)
17         return item
18         # 每迭代一次以后,一定将迭代过的数据return出去
19 
20     def close_spider(self,spider):
21         print("爬虫%s关闭!"%spider)
22 
23 
24 
25 # 声明一个管道类,用于写csv数据
26 class CSVPipeline(object):
27     def open_spider(self,spider):
28         # 打开csv文件
29         self.csvfile = open("data.csv","a+",newline='',encoding="utf-8")
30         self.writer = csv.writer(self.csvfile)
31         self.writer.writerow(["author","authorImg","content","imgSrc"])
32 
33     def process_item(self,item,spider):
34         vals = []
35         for k,v in item.items():
36             vals.append(v)
37         self.writer.writerow(vals)
38         return item 
39         # 如果优先级高的管道跌打完数据以后不返回出去,
40         # 这个数据就会销毁,后面的管道就无法使用该数据
41 
42     def close_spider(self,spider):
43         self.csvfile.close()

 


原文链接:https://www.cnblogs.com/TMMM/p/10777625.html
如有疑问请与原作者联系

标签:

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有

上一篇:01.计算机基础知识

下一篇:pycharm与python环境配置