Scrapy框架学习笔记

1.Scrapy简介

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，用途非常广泛。
框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。
Scrapy 使用了 Twisted,其主要对手是Tornado,异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

2.Scrapy架构图(绿线是数据流向)：

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，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，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有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）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的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）：你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

3. Scrapy 框架安装

　　Scrapy框架官方网址：https://doc.scrapy.org/

　　安装创建(windows)

　　1.pip install pypiwin32

　　2.pip install Scrapy (安装Scrapy框架)

　　注意:windows下可能需要手动安装twisted模块如.whl： Twisted‑18.4.0‑cp35‑cp35m‑win_amd64.whl

　　下载地址: https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted (下载完成以后使用 pip install 安装就可以)

3. Scrapy 项目创建

　　1.打开指定创建项目的位置（文件夹下），按下shift键并右击鼠标，打开cmd命令行，输入 scrapy startproject 项目名称
　　　　　　此时当前文件夹下会出来一个名为crawl_project的文件夹
　　　　
　　2.使用编辑器打开刚刚创建的项目，如sublime，pychrom 结构如下：
　　　　

　　　　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：一般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：创建文件，编写爬虫规则

4. 使用Scrapy框架编写简单的爬虫

　　以爬取百度为例:

　　(1).在spiders文件夹下创建一个.py文件（文件名最好以爬取的网站为名）

　　以下为建完项目的目录:

　　代码如下：　　

　　import scrapy
　　class BaiduSpider(scrapy.Spider):
    　　name = 'baidu'  # 爬虫名称  
    　　allowed_domains = ['baidu.com']  # 爬虫有效域  
    　　start_urls = ['http://www.baidu.com/']  # 爬虫起始url start_url是固定属性名  

    　　# 解析函数  
    　　def parse(self, response):
        　　# 获取响应内容  
        　　print(type(response.body))
        　　# 文件编码必须指定  
        　　with open('baidu.html', 'w', encoding='utf-8') as f:
            　　# 写入文件  
            　　f.write(response.body.decode('utf-8'))  

　　(2).在与项目同级的目录下创建一个main.py的文件
　　　　文件内容如下：

　　　　from scrapy import cmdline

　　　　cmdline.execute('scrapy crawl baidu'.split())

　　(3).运行main.py文件,这样就可以实现一个简单的爬虫了

　　　　　或者代开命令行，输入：scrapy crawl baidu (爬虫名称是创建.py爬虫文件里属性name的值,我这里是baidu)

　　　　注意：此处应该会失败。因为每个网站都有一个robots.txt，表示网站不允许爬的网站目录。scrapy框架遵守该协议。所以需要修改Scrapy框架的配置文件

　　　　在项目目录下的 settings.py 修改一下内容：

- - 　　　　ROBOTSTXT_OBEY = False # 默认是True
  - 　　　　命令行下重新执行 scrapy crawl baidu