深入解析scrapy框架的特性與優勢-Python教學-PHP中文網

深入解析scrapy框架的特性與優勢

王林

發布： 2024-01-19 09:11:05

原創

1144 人瀏覽過

深入解析scrapy框架的特性與優勢

Scrapy框架是一個開源的Python爬蟲框架，可用於建立和管理爬取資料的應用程序，它是目前市場上最受歡迎的爬蟲框架之一。 Scrapy框架採用非同步IO的方式進行網路請求，能夠有效率地抓取網站數據，具有可擴展性和穩定性等優點。

本文將深入解析Scrapy框架的特性與優勢，並透過具體程式碼範例來說明其高效且穩定的操作方式。

簡單易學

Scrapy框架採用Python語言，學習容易，入門門檻低。同時它也提供了完整的文件和範例程式碼，方便使用者快速上手。以下是一個簡單的Scrapy爬蟲範例，可用於取得知乎熱門問題的標題和連結：

import scrapy

class ZhihuSpider(scrapy.Spider):
    name = "zhihu" # 爬虫名
    start_urls = [
         'https://www.zhihu.com/hot'
    ] # 起始网站链接

    def parse(self, response):
        for question in response.css('.HotItem'):
            yield {
                'title': question.css('h2::text').get(),
                'link': question.css('a::attr(href)').get()
            }

登入後複製

上述程式碼中，透過繼承scrapy.Spider類別來定義了一個名為「zhihu」的爬蟲程式。在類別中定義了start_urls屬性，透過清單的方式指定起始要爬取的網站連結。定義了一個parse()方法，解析回應並透過css選擇器獲取熱門問題的標題和鏈接，將結果以字典形式yield返回。

非同步IO

Scrapy框架採用非同步IO方式進行網路請求，可以同時傳送多個非同步請求，並立即傳回所有回應。這種方式大大提高了爬蟲的速度和效率。下面是一個簡單的Scrapy非同步請求的程式碼範例：

import asyncio
import aiohttp

async def fetch(url):
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as response:
            return await response.text()

async def main():
    urls = [
        'https://www.baidu.com',
        'https://www.google.com',
        'https://www.bing.com'
    ]
    tasks = []
    for url in urls:
        tasks.append(asyncio.ensure_future(fetch(url)))
    responses = await asyncio.gather(*tasks)
    print(responses)

if __name__ == '__main__':
    loop = asyncio.get_event_loop()
    loop.run_until_complete(main())

登入後複製

上述程式碼中，透過asyncio函式庫和aiohttp函式庫實現了非同步請求的方式。定義了一個fetch()非同步函數用於傳送請求，使用aiohttp函式庫實作非同步HTTP客戶端。定義了一個main()非同步函數用於處理urls，將fetch()傳回的Future物件加入task清單中，最後使用asyncio.gather()函數來取得所有任務的回傳結果。

可擴展性

Scrapy框架提供了豐富的擴充介面和插件，使用者可以輕鬆地添加自訂的中間件、管道和下載器等，從而擴展其功能和性能。下面是一個簡單的Scrapy中間件的範例：

from scrapy import signals

class MyMiddleware:
    @classmethod
    def from_crawler(cls, crawler):
        o = cls()
        crawler.signals.connect(o.spider_opened, signal=signals.spider_opened)
        crawler.signals.connect(o.spider_closed, signal=signals.spider_closed)
        return o

    def spider_opened(self, spider):
        spider.logger.info('常规中间件打开： %s', spider.name)

    def spider_closed(self, spider):
        spider.logger.info('常规中间件关闭： %s', spider.name)

    def process_request(self, request, spider):
        spider.logger.info('常规中间件请求： %s %s', request.method, request.url)
        return None

    def process_response(self, request, response, spider):
        spider.logger.info('常规中间件响应： %s %s', str(response.status), response.url)
        return response

    def process_exception(self, request, exception, spider):
        spider.logger.error('常规中间件异常： %s %s', exception, request.url)
        return None

登入後複製

在上述程式碼中，定義了一個MyMiddleware中間件類別。在類別中定義了特殊的from_crawler()函數，用於處理爬蟲程式的訊號連接。定義了spider_opened()和spider_closed()函數用來處理爬蟲的開啟和關閉訊號。定義了process_request()和process_response()函數用於處理請求和回應訊號。定義了process_exception()函數用來處理異常訊息。