10-scrapy框架介绍

Scrapy 入门教程

Scrapy 是用 Python 实现的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。

Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

通常我们可以很简单的通过 Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

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）

Scrapy的运作流程

代码写好，程序开始运行...

1 引擎：Hi！Spider, 你要处理哪一个网站？
2 Spider：老大要我处理xxxx.com。
3 引擎：你把第一个需要处理的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。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
11 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
12 Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的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！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14 管道调度器：好的，现在就做！

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

安装

Windows 安装方式

安装 Scrapy 框架步骤流程:

1、

pip3 install wheel

2、

下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/

进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

备注（一定要下载对应的python版本号以及电脑的系统对应下载，否则安装不成功）

3、

pip3 install pywin32

4、

pip3 install scrapy

制作 Scrapy 爬虫一共需要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
制作爬虫（spiders/xxspider.py）：制作爬虫开始爬取网页
存储内容（pipelines.py）：设计管道存储爬取内容

学习目标

创建一个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)

在开始爬取之前，必须创建一个新的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，可以看到将会创建一个 mySpider 文件夹，目录结构大致如下：

下面来简单介绍一下各个主要文件的作用：

mySpider/
    scrapy.cfg
    mySpider/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...

这些文件分别是:

scrapy.cfg: 项目的配置文件。（爬虫相关的配置信息在settings.py文件中）
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。（设置数据储存模板，用于结构化数据）（相当于Django的Model）
mySpider/pipelines.py: 项目的管道文件。（数据持久化处理）
mySpider/settings.py: 项目的设置文件。（递归的层数，并发数。延迟下载等等）
mySpider/spiders/: 存储爬虫代码目录。（编写爬虫解析规则）

二、明确目标(mySpider/items.py)

我们打算抓取 https://www.thepaper.cn/channel_25951网站里的标题和内容

打开 mySpider 目录下的 items.py。
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，但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个 Item（可以理解成类似于 ORM 的映射关系）。

接下来，创建一个 ItcastItem 类，和构建 item 模型（model）。

三、制作爬虫（spiders/pengpai.py）

cd project_name（进入项目目录）

scrapy genspider 应用名称 爬取网页的起始url(scrapy gensipider app名  要爬取的域名) 例如：scrapy genspider pengpai www.thepaper.cn/channel_25951

编写爬虫文件:在步骤2执行完毕后，会在项目的spiders中生成一个应用名的py爬虫文件，文件源码如下：

# -*- coding: utf-8 -*-
import scrapy


class PengpaiSpider(scrapy.Spider):
    name = 'pengpai'
    allowed_domains = ['www.thepaper.cn/channel_25951']
    start_urls = ['http://www.thepaper.cn/channel_25951/']

    def parse(self, response):
        pass

4、

在settings.py中配置user-agent

在爬取数据时，可以选择是否往.../robots.txt/发送验证，是否允许爬取，一般设置为False

使用scrapy解析文本内容时，可以使用每个应用中的response.xpath(xxx) 进行数据的解析。

5、

执行爬虫程序：scrapy crawl  应用名称

四、将澎湃首页中财经的内容和标题进行爬取

# -*- coding: utf-8 -*-
import scrapy


class PengpaiSpider(scrapy.Spider):
    name = 'pengpai'#应用的名称
    #允许爬取的域名（如果遇到非该域名的url则怕取不到数据）
    allowed_domains = ['www.thepaper.cn/channel_25951']
    #起始爬取的url
    start_urls = ['http://www.thepaper.cn/channel_25951/']
    #访问起始url并获取结果后的回调函数，response就是请求后响应对象
    #该函数返回值必须是可迭代对象或者NULL
    def parse(self, response):
        #xpath是response的方法，直接调用xpath，
        page_list = response.xpath('//*[@class="news_li"]')
        text_list = []
        for page in page_list:
            #返回的是一个selector标签列表，需要的数据在data中，因此取值需要用extract（）
            title = page.xpath('./h2/a/text()')[0].extract()
            content = page.xpath('./p/text()')[0].extract()
            print(title,content)
            dic = {
                "title":title,
                "content":content,
            }
            text_list.append(dic)
        print(text_list)
        return text_list

执行爬虫程序：