熟练使用Scrapy框架作基本的爬虫开发

Scrapy-Splash渲染

splash是一个JavaScript渲染服务。它是一个实现了HTTP API的轻量级浏览器，splash使用python实现的，同时使用Twisted和QT.

scrapy-splash 是为了方便scrapy框架使用splash而进行的封装。它能与scrapy框架更好的结合，相比较于在python中 使用requests库或者使用scrapy 的Request对象来讲，更为方便，并且能更好的支持异步。

原理说明

基于spalsh渲染后HTML，经过配置文件解析，入库。 提升了效率，一天能够写几十个配置dict，即完成几十个网站爬虫的编写。

配置文件说明:

{
                "industry_type": "政策",  # 行业类别
                "website_type": "央行",  # 网站/微信公众号名称
                "url_type": "中国人民银行-条法司-规范性文件",  # 网站模块
                "link": "http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html",  # 访问连接
                "article_rows_xpath": '//div[@id="r_con"]//table//tr/td/font[contains(@class, "newslist_style")]',
                # 提取文章列表xpath对象
                "title_xpath": "./a",  # 提取标题
                "title_parse": "./@title",  # 提取标题
                "title_link_xpath": "./a/@href",  # 提取标题连接
                "date_re_switch": "False",  # 是否使用正则提取日期时间
                "date_re_expression": "",  # 日期时间正则表达式
                "date_xpath": "./following-sibling::span[1]",  # 提取日期时间
                "date_parse": "./text()",  # 提取日期时间
                "content": '//*[@class="content"]',  # 正文HTML xpath
                "prefix": "http://www.pbc.gov.cn/",  # link前缀
                "config": "{'use_selenium':'False'}"  # 其余配置：是否使用selenium（默认使用spalsh）
},复制代码

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复制代码

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",)复制代码

修改parse()方法

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

而后运行一下看看，在mySpider目录下执行：

scrapy crawl itcast复制代码

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")复制代码

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>复制代码

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复制代码

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。
保存数据复制代码

如今咱们须要给咱们的scrapy添加代理中间件

class ProxyMiddleware(object):
      def process_request(self, request, spider):
      request.meta['splash']['args']['proxy'] = proxyServer
      request.headers["Proxy-Authorization"] = proxyAuth复制代码

使用亿牛云爬虫代理经过scrapy-splash爬虫就能够愉快的抓取数据了