爬虫之scrapy入门

1.介绍

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处理, 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

 

2.下载

 1 Linux
 2       pip3 install scrapy
 3  
 4  
 5 Windows
 6       a. pip3 install wheel
 7       b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
 8       c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
 9       d.pyOpenSSL  https://pypi.python.org/pypi/pyOpenSSL#downloads
10       d. 下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/
11       e. pip3 install scrapy

 

3.基础使用

 1 1. scrapy startproject 项目名称
 2    - 在当前目录中建立中建立一个项目文件（相似于Django）
 3  
 4 2. scrapy genspider [-t template] <name> <domain>
 5    - 建立爬虫应用
 6    如：
 7       scrapy gensipider -t basic oldboy oldboy.com
 8       scrapy gensipider -t xmlfeed autohome autohome.com.cn
 9    PS:
10       查看全部命令：scrapy gensipider -l
11       查看模板命令：scrapy gensipider -d 模板名称
12  
13 3. scrapy list
14    - 展现爬虫应用列表
15  
16 4. scrapy crawl 爬虫应用名称
17    - 运行单独爬虫应用

项目结构

 1 project_name/
 2    scrapy.cfg
 3    project_name/
 4        __init__.py
 5        items.py
 6        pipelines.py
 7        settings.py
 8        spiders/
 9            __init__.py
10            spider1.py
11            spider2.py
12            spider3.py

♢   scrapy.cfg  项目的主配置信息。（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

 

4.小试牛刀例子

 1 import scrapy
 2 from scrapy.selector import Selector
 3 from test1.items import Test1Item
 4 
 5 
 6 class XiaohuaSpider(scrapy.Spider):
 7     name = 'xiaohua'
 8     allowed_domains = ['xiaohuar.com']
 9     start_urls = ['http://www.xiaohuar.com/hua/']
10 
11     def parse(self, response):
12         xph = Selector(response=response).xpath('//div[@id="list_img"]//div[@class="item_t"]')
13         for i in xph:
14             item = Test1Item()
15             item['img_url'] = i.xpath('./div[@class="img"]/a/img/@src').extract_first()
16             item['name'] = i.xpath('./div[@class="img"]/a/img/@alt').extract_first()
17             yield item
18         next = Selector(response=response).xpath('//div[@id="page"]//a[17]/@href').extract_first()
19         if next:
20             yield scrapy.Request(url=next, callback=self.parse)

spider.py/xiaohua.py

import os,requests


class Test1Pipeline(object):

    def process_item(self, item, spider):
        if item['img_url'][0] == '/':
            item['img_url'] = 'http://www.xiaohuar.com/' + item['img_url']
        filename = os.path.join('xiaohua', item['name']) + '.png'
        img = requests.get(item['img_url'])
        if img.status_code == 200:
            if os.path.exists('xiaohua'):
                pass
            else:
                os.mkdir('xiaohua')
            with open(filename, 'wb')as f:
                f.write(img.content)
        else:
            print('保存失败')

pipelines.py

import scrapy


class Test1Item(scrapy.Item):
    
    img_url = scrapy.Field()
    name = scrapy.Field()

item.py