Scrapy 框架入门简介

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的运做流程

代码写好，程序开始运行...

1 引擎：Hi！Spider, 你要处理哪个网站？

2 Spider：老大要我处理xxxx.com。

3 引擎：你把第一个须要处理的URL给我吧。

4 Spider：给你，第一个URL是xxxxxxx.com。

5 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

6 调度器：好的，正在处理你等一下。

7 引擎：Hi！调度器，把你处理好的request请求给我。

8 调度器：给你，这是我处理好的request

9 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

10 下载器：好的！给你，这是下载好的东西。（若是失败：sorry，这个request下载失败了。而后引擎告诉调度器，这个request下载失败了，你记录一下，咱们待会儿再下载）

11 引擎：Hi！Spider，这是下载好的东西，而且已经按照老大的下载中间件处理过了，你本身处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

12 Spider：（处理完毕数据以后对于须要跟进的URL），Hi！引擎，我这里有两个结果，这个是我须要跟进的URL，还有这个是我获取到的Item数据。

13 引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是须要跟进URL你帮我处理下。而后从第四步开始循环，直到获取完老大须要所有信息。

14 管道``调度器：好的，如今就作！

注意！只有当调度器中不存在任何request了，整个程序才会中止，（也就是说，对于下载失败的URL，Scrapy也会从新下载。）

---

制做 Scrapy 爬虫 一共须要4步：

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

---

Scrapy的安装介绍

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

Scrapy中文维护站点：http://scrapy-chs.readthedocs...

Windows 安装方式

Python 2 / 3
升级pip版本：pip install --upgrade pip
经过pip 安装 Scrapy 框架pip install Scrapy

Ubuntu 须要9.10或以上版本安装方式

Python 2 / 3
安装非Python的依赖 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
经过pip 安装 Scrapy 框架 sudo pip install scrapy
安装后，只要在命令终端输入 scrapy，提示相似如下结果，表明已经安装成功

具体Scrapy安装流程参考：http://doc.scrapy.org/en/late... 里面有各个平台的安装方法

---

入门案例

学习目标

• 建立一个Scrapy项目
• 定义提取的结构化数据(Item)
• 编写爬取网站的 Spider 并提取出结构化数据(Item)
• 编写 Item Pipelines 来存储提取到的Item(即结构化数据)

一. 新建项目(scrapy startproject)

在开始爬取以前，必须建立一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：

scrapy startproject mySpider

其中， mySpider 为项目名称，能够看到将会建立一个 mySpider 文件夹，目录结构大体以下：

下面来简单介绍一下各个主要文件的做用：

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/ ：存储爬虫代码目录

2、明确目标(mySpider/items.py)

咱们打算抓取：http://www.itcast.cn/channel/... 网站里的全部讲师的姓名、职称和我的信息。

1. 打开mySpider目录下的items.py
2. 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。
3. 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）。

4. 接下来，建立一个ItcastItem 类，和构建item模型（model）。

   import scrapy

   class ItcastItem(scrapy.Item):

   name = scrapy.Field()
      level = scrapy.Field()
      info = scrapy.Field()

3、制做爬虫 （spiders/itcastSpider.py）

爬虫功能要分两步：

1. 爬数据

在当前目录下输入命令，将在mySpider/spider目录下建立一个名为itcast的爬虫，并指定爬取域的范围：
scrapy genspider itcast "itcast.cn"
打开 mySpider/spider目录里的 itcast.py，默认增长了下列代码:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

其实也能够由咱们自行建立itcast.py并编写上面的代码，只不过使用命令能够免去编写固定代码的麻烦

要创建一个Spider， 你必须用scrapy.Spider类建立一个子类，并肯定了三个强制的属性 和 一个方法。

name = "" ：这个爬虫的识别名称，必须是惟一的，在不一样的爬虫必须定义不一样的名字。

allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，因此，第一次下载的数据将会从这些urls开始。其余子URL将会从这些起始URL中继承性生成。

parse(self, response) ：解析的方法，每一个初始URL完成下载后将被调用，调用的时候传入从每个URL传回的Response对象来做为惟一参数，主要做用以下：

负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
生成须要下一页的URL请求。
将start_urls的值修改成须要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response):
    filename = "teacher.html"
    open(filename, 'w').write(response.body)

而后运行一下看看，在mySpider目录下执行：

scrapy crawl itcast

是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用 scrapy genspider命令的惟一爬虫名。

运行以后，若是打印的日志出现 [scrapy] INFO: Spider closed (finished)，表明执行完成。 以后当前文件夹中就出现了一个 teacher.html 文件，里面就是咱们刚刚要爬取的网页的所有源代码信息。

**注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会形成乱码；
咱们能够指定保存内容的编码格式，通常状况下，咱们能够在代码最上方添加：**

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

这三行代码是Python2.x里解决中文编码的万能钥匙，通过这么多年的吐槽后Python3学乖了，默认编码是Unicode了...(祝你们早日拥抱Python3)
2. 取数据

爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

是否是一目了然？直接上XPath开始提取数据吧。

咱们以前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来

from mySpider.items import ItcastItem

而后将咱们获得的数据封装到一个 ItcastItem 对象中，能够保存每一个老师的属性：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老师信息的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 将咱们获得的数据封装到一个 `ItcastItem` 对象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一个元素的列表
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        items.append(item)

    # 直接返回最后数据
    return items
咱们暂时先不处理管道，后面会详细介绍。
保存数据

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令以下：

json格式，默认为Unicode编码

scrapy crawl itcast -o teachers.json

json lines格式，默认为Unicode编码

scrapy crawl itcast -o teachers.jsonl

csv 逗号表达式，可用Excel打开

scrapy crawl itcast -o teachers.csv

xml格式

scrapy crawl itcast -o teachers.xml

思考

若是将代码改为下面形式，结果彻底同样。

请思考 yield 在这里的做用：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老师信息的集合
    #items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 将咱们获得的数据封装到一个 `ItcastItem` 对象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一个元素的列表
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        #items.append(item)

        #将获取的数据交给pipelines
        yield item

    # 返回数据，不通过pipeline
    #return items

思考事后 下面给出
Python中yield的解释