Scrapy简单入门及实例讲解

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其能够应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来讲, 网络抓取 )所设计的， 也能够应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途普遍，能够用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通信。总体架构大体以下

 

Scrapy主要包括了如下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 能够想像成一个URL（抓取网页的网址或者说是连接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是创建在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取本身须要的信息, 即所谓的实体(Item)。用户也能够从中提取出连接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证明体的有效性、清除不须要的信息。当页面被爬虫解析后，将被发送到项目管道，并通过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工做是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概以下：

1. 引擎从调度器中取出一个连接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是连接（URL）,则把URL交给调度器等待抓取

 

1、安装

    一、安装wheel
        pip install wheel
    二、安装lxml
        https://pypi.python.org/pypi/lxml/4.1.0
    三、安装pyopenssl
        https://pypi.python.org/pypi/pyOpenSSL/17.5.0
    四、安装Twisted
        https://www.lfd.uci.edu/~gohlke/pythonlibs/
    五、安装pywin32
        https://sourceforge.net/projects/pywin32/files/
    六、安装scrapy
        pip install scrapy

 

 注：windows平台须要依赖pywin32，请根据本身系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

 

2、爬虫举例

 

入门篇：美剧天堂前100最新（http://www.meijutt.com/new100.html）

一、建立工程

1	scrapy startproject movie

 

二、建立爬虫程序

1 2	cd movie scrapy genspider meiju meijutt.com

 

三、自动建立目录及文件

 

四、文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：通常结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：建立文件，编写爬虫规则

注意：通常建立爬虫文件时，以网站域名命名

 

五、设置数据存储模板

　　items.py

1 2 3 4 5 6 7 8

import scrapy     class  MovieItem(scrapy.Item):      # define the fields for your item here like:      # name = scrapy.Field()      name = scrapy.Field()

 

六、编写爬虫

　　meiju.py

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

# -*- coding: utf-8 -*- import scrapy from  movie.items import MovieItem   class  MeijuSpider(scrapy.Spider):      name =  "meiju"      allowed_domains = [ "meijutt.com" ]      start_urls = [ 'http://www.meijutt.com/new100.html' ]        def parse(self, response):          movies = response.xpath( '//ul[@class="top-list  fn-clear"]/li' )          for  each_movie  in  movies:              item = MovieItem()              item[ 'name' ] = each_movie.xpath( './h5/a/@title' ).extract()[0]              yield item

 

七、设置配置文件

　　settings.py增长以下内容

1	ITEM_PIPELINES = { 'movie.pipelines.MoviePipeline' :100}

 

八、编写数据处理脚本

　　pipelines.py

1 2 3 4

class  MoviePipeline( object ):      def process_item(self, item, spider):          with open( "my_meiju.txt" , 'a' )  as  fp:              fp.write(item[ 'name' ].encode( "utf8" ) +  '\n' )

 

九、执行爬虫

1 2	cd movie scrapy crawl meiju --nolog

 

十、结果