scrapy框架之基本使用-526互联

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。其可以应用在数据挖掘，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 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

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. 可以想像成一个URL（抓取网页的网址或者说是链接）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下载器是建立在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自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,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、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经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，主要工作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运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

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

二、基本使用

1.基本命令

 1 1. scrapy startproject 项目名称
 2    - 在当前目录中创建中创建一个项目文件（类似于Django）
 3 
 4 1. cd 项目名称
 5      -进行项目文件夹
 6 
 7 2. scrapy genspider [-t template] <name> <domain>
 8    - 创建爬虫应用
 9    如：
10       scrapy gensipider -t basic oldboy oldboy.com
11       scrapy gensipider -t xmlfeed autohome autohome.com.cn
12    PS:
13       查看所有命令：scrapy gensipider -l
14       查看模板命令：scrapy gensipider -d 模板名称
15  
16 3. scrapy list
17    - 展示爬虫应用列表
18  
19 4. scrapy crawl 爬虫应用名称
20    - 运行单独爬虫应用

2.项目结构

文件说明：

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：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

注意：一般创建爬虫文件时，以网站域名命名

 1 import scrapy
 2  
 3 class XiaoHuarSpider(scrapy.spiders.Spider):
 4     name = "xiaohuar"                            # 爬虫名称 *****
 5     allowed_domains = ["xiaohuar.com"]  # 允许的域名
 6     start_urls = [
 7         "http://www.xiaohuar.com/hua/",   # 其实URL
 8     ]
 9  
10     def parse(self, response):
11         # 访问起始URL并获取结果后的回调函数

爬虫格式

1 import sys,os
2 sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

关于windows编码

3.小试牛刀

  1 # -*- coding: utf-8 -*-
  2 import scrapy
  3 from scrapy.selector import Selector,HtmlXPathSelector #选择器，标签查找
  4 from ..items import ChoutiItem #创建item对象
  5 from scrapy.http import Request #创建request对象，用于请求url
  6 
  7 class ChoutiSpider(scrapy.Spider):
  8     name = 'chouti'
  9     allowed_domains = ['chouti.com'] #递归时会检测域名是否包含，不包含则不能递归
 10     start_urls = ['https://dig.chouti.com/'] #运行最开始请求的url
 11 
 12     # 开始url请求的地方
 13     # def start_requests(self):
 14     #     cls = self.__class__
 15     #     if method_is_overridden(cls, Spider, 'make_requests_from_url'):
 16     #         warnings.warn(
 17     #             "Spider.make_requests_from_url method is deprecated; it "
 18     #             "won't be called in future Scrapy releases. Please "
 19     #             "override Spider.start_requests method instead (see %s.%s)." % (
 20     #                 cls.__module__, cls.__name__
 21     #             ),
 22     #         )
 23     #         for url in self.start_urls:
 24     #             yield self.make_requests_from_url(url)
 25     #     else:
 26     #         for url in self.start_urls:
 27     #             yield Request(url, dont_filter=True)
 28 
 29     has_request_set = set() #集合用于url去重
 30 
 31     def parse(self, response):
 32         # print(response.text)
 33         # content = str(response.body,encoding='utf-8')
 34         # print(content)
 35 
 36         # 1.1查找对应标签并获取
 37         hxs1 = Selector(response=response).xpath('//div[@id="content-list"]/div[@class="item"]')
 38         for obj in hxs1: #obj是标签对象
 39             title = obj.xpath('.//div[@class="news-content"]//a[@class="show-content color-chag"]/text()').extract_first().strip()
 40             href = obj.xpath('.//div[@class="news-content"]//a[@class="show-content color-chag"]/@href').extract_first().strip()
 41 
 42             #item实现格式化，pipeline实现标题和url持久化
 43             # 2.1创建item对象，进行格式化
 44             item_obj = ChoutiItem(title=title,href=href)
 45             # 3.1将item对象传递给pipeline
 46             yield item_obj
 47 
 48             """
 49               选择器
 50               // 表示子孙中
 51               .// 当前对象的子孙中
 52               / 儿子
 53               /div  儿子中的div标签
 54               /div[@id="i1"] 儿子中的div标签且id='i1'
 55 
 56               obj.extract()  #列表中的每个对象转换成字符串 =》 []
 57               obj.extract_first() #列表中的每个对象转换成字符串 =》 列表第一个元素
 58               //div/text()  #获取标签的文本
 59            """
 60 
 61         # 1.2查找对应标签并获取
 62         # ① 直接在页码中查找
 63         # hxs2 = Selector(response=response).xpath('//div[@id="dig_lcpage"]//a/@href').extract()
 64         # ② 直接查找a标签，以href中开头内容查找
 65         # hxs2 = Selector(response=response).xpath('//a[starts-with(@href,"/all/hot/recent/")]/@href').extract()
 66         # ③ 正则表达式查找
 67         hxs2 = Selector(response=response).xpath('//a[re:test(@href,"/all/hot/recent/\d+")]/@href').extract()
 68         # print(hxs2)
 69 
 70         for url in hxs2:
 71             url = 'https://dig.chouti.com%s' % url
 72             key_url = self.md5(url) #加密
 73             # 进行url去重
 74             if key_url in self.has_request_set:
 75                 pass
 76             else:
 77                 self.has_request_set.add(key_url)
 78                 print(url)
 79                 #2.2将要访问的url添加到调度器
 80                 yield Request(url=url,callback=self.parse)
 81         """
 82             a/@href  获取属性
 83             a/text()  获取文本
 84             //a[starts-with(@href, "/all/hot/recent/")]/@href 以xx开始，获取属性
 85             //a[re:test(@href, "/all/hot/recent/\d+")]/@href  正则
 86             yield Request(url=url,callback=self.parse) 将新要访问的url添加到调度器
 87             重写start_requests,指定最开始处理请求的方法
 88         """
 89 
 90         #yield Request(url=url, callback=self.parse)中callback函数可以自定义
 91         # 可以自定义callback函数，但是不能递归
 92         # def show(self,response):
 93         #     print(response.text)
 94 
 95     # 若想将较长的url存入数据库，不想使用索引的话，可以进行加密，将不同长度的url转换成相同长度的加密内容
 96     def md5(self,url):
 97         import hashlib
 98         m = hashlib.md5()
 99         m.update(bytes(url,encoding='utf-8'))
100         return m.hexdigest()

chouti.py

1 import scrapy
2 
3 class ChoutiItem(scrapy.Item):
4     # define the fields for your item here like:
5     # name = scrapy.Field()
6     title = scrapy.Field()
7     href = scrapy.Field()

items.py

1 class Test002Pipeline(object):
2     def process_item(self, item, spider):
3         # print(item['title'],item['href'])
4         return item

pipelines.py

1 # Obey robots.txt rules
2 ROBOTSTXT_OBEY = False
3 
4 ITEM_PIPELINES = {
5    'test002.pipelines.Test002Pipeline': 300,
6 }
7 
8 #注意：settings.py中设置DEPTH_LIMIT = 1来指定“递归”的层数。
9 DEPTH_LIMIT = 3

settings.py

执行此爬虫文件，则在终端进入项目目录执行如下命令：

1 scrapy crawl chouti --nolog
2 #scrapy crawl chouti

对于上述代码重要之处在于：

Request是一个封装用户请求的类，在回调函数中yield该对象表示继续访问
Selector用于结构化HTML代码并提供选择器功能