1、scrapy的下载安装---Windows（安装软件太让我伤心了）

写博客就和笔记同样真的颇有用，你能够随时的翻阅。爬虫的爬虫原理与数据抓取、非结构化与结构化数据提取、动态HTML处理和简单的图像识别已经学完，就差整理博客了

开始学习scrapy了，因此从新建了个分类。

scrapy的下载到安装，再到可以成功运行就耗费了我三个小时的时间，为了防止之后忘记，记录一下。

我用的是Python3.6.        Windows    须要四步

一、pip3 install wheel

二、安装Twisted

　　a. http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted, 下载：Twisted-17.9.0-cp36-cp36m-win_amd64.whl
　　

　　b. 进入文件所在目录
　　

　　c. pip3 install Twisted-17.1.0-cp35-cp35m-win_amd64.whl

三、pip3 install scrapy

而后我打开cmd,输入了scrapy, 出现：

　　　 scrapy startproject myspider                              -----------建立scrapy项目

　　　 cd myspider                                                       -----------进入myspider目录

           scrapy genspider baidu baidu.com                    ------------建立爬虫文件

　　　 scrapy crawl baidu                                            -------------运行文件

以后，就报错了，说缺乏一个模块win32,   上网查说  windows上scrapy依赖pywin32，下载网址： https://sourceforge.net/projects/pywin32/files/  

我下载了，在安装的时候出现了：

 

上面说是没注册什么的，上网搜了一下解决方案，唉，本身没看懂。痛心疾首，对我本身的智商感到捉急

四、在cmd中使用python -m pip install pypiwin32

 这是我成功的方法，上网查以后，在https://stackoverflow.com/questions/4863056/how-to-install-pywin32-module-in-windows-7有这样一段话：

 

---

天天一个小实例：爬视频（其实找到了视频的url连接，用urllib.request.urlretrieve(视频url，存储的路径）就能够了。

我作的这个例子太简单；用scrapy框架显得复杂，，我只是下载了一页，多页的话循环url，主要是走一遍使用Scrapy的流程：

 1 #第一
 2 打开mySpider目录下的items.py
 3 
 4 # -*- coding: utf-8 -*-
 5 
 6 # Define here the models for your scraped items
 7 #
 8 # See documentation in:
 9 # https://doc.scrapy.org/en/latest/topics/items.html
10 
11 import scrapy
12 
13 '''Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，可是提供了一些额外的保护减小错误。
14 
15 能够经过建立一个 scrapy.Item 类， 而且定义类型为 scrapy.Field的类属性来定义一个Item（能够理解成相似于ORM的映射关系）。'''
16 class MyspiderItem(scrapy.Item):
17     # define the fields for your item here like:
18     name = scrapy.Field()
19     mp4_url = scrapy.Field()
20 
21 
22 
23 #第二，打开你建立的爬虫文件，个人是baisi.py
24 
25 # -*- coding: utf-8 -*-
26 import scrapy
27 from myspider.items import MyspiderItem
28 
29 class BaisiSpider(scrapy.Spider):
30     name = 'baisi'
31     allowed_domains = ['http://www.budejie.com']
32     start_urls = ['http://www.budejie.com/video/']
33 
34     def parse(self, response):
35         # 将咱们获得的数据封装到一个 `MyspiderItem` 对象
36         item = MyspiderItem()
37 
38         #提取数据
39         mp4_links = response.xpath('//li[@class="j-r-list-tool-l-down f-tar j-down-video j-down-hide ipad-hide"]')
40         for mp4_link in mp4_links:
41             name = mp4_link.xpath('./@data-text')[0].extract()
42             video = mp4_link.xpath('./a/@href')[0].extract()
43             #判断是否有MP4——url连接，有的保存
44             if video:
45                 item['name'] = name
46                 item['mp4_url'] = video
47             # 将获取的数据交给pipelines
48             yield item
49 
50 
51 
52 
53 
54 #第三 打开pipelines.py文件
55 
56 # -*- coding: utf-8 -*-
57 
58 # Define your item pipelines here
59 #
60 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
61 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
62 import urllib.request
63 import os
64 class MyspiderPipeline(object):
65     def process_item(self, item, spider):
66 #文件名
67         file_name = "%s.mp4" % item['name']
68 #文件保存路径
69         file_path = os.path.join("F:\\myspider\\myspider\\video", file_name)
70         urllib.request.urlretrieve(item['mp4_url'],file_path)
71         return item
72 
73 
74 第四，执行scrapy crawl baisi

View Code

 

执行结果：

 

 

---

 Scrapy 框架

• Scrapy是用纯Python实现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，用途很是普遍。

• 框架的力量，用户只须要定制开发几个模块就能够轻松的实现一个爬虫，用来抓取网页内容以及各类图片，很是之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通信，能够加快咱们的下载速度，不用本身去实现异步框架，而且包含了各类中间件接口，能够灵活的完成各类需求。

• Scrapy框架官方网址：http://doc.scrapy.org/en/latest

  Scrapy中文维护站点：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Scrapy架构图(绿线是数据流向)：

 

 

 

• Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通信，信号、数据传递等。

• Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照必定的方式进行整理排列，入队，当引擎须要时，交还给引擎。

• Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的全部Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

• Spider（爬虫）：它负责处理全部Responses,从中分析提取数据，获取Item字段须要的数据，并将须要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

• Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

• Downloader Middlewares（下载中间件）：你能够看成是一个能够自定义扩展下载功能的组件。

• Spider Middlewares（Spider中间件）：你能够理解为是一个能够自定扩展和操做引擎和Spider中间通讯的功能组件（好比进入Spider的Responses;和从Spider出去的Requests）

scrapy运行的流程大概是：

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处理
6. 解析出的是衔接（URL），则把URL交给调度器等待抓取

 

---

 

基本使用：

1.在命令行中输入： scrapy startproject myspider -----------建立scrapy项目

自动建立目录：

 

打开：myspider

 

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

2.

   cd myspider                                             -----------进入myspider目录

   scrapy genspider baidu baidu.com         ------------建立爬虫文件

注意：通常建立爬虫文件时，以网站域名命名，文件会在spiders中，

3.  而后你就能够编写代码了

4.  scrapy crawl baidu        -------------运行文件

总的来讲：

制做 Scrapy 爬虫 一共须要4步：

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 明确目标 （编写items.py）：明确你想要抓取的目标
• 制做爬虫 （spiders/xxspider.py）：制做爬虫开始爬取网页
• 存储内容 （pipelines.py）：设计管道存储爬取内容