scrapy初始和简单应用

什么是Scrapy

　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，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能（高性能异步下载，队列，分布式，解析，持久化等）的具有很强通用性的项目模板。
对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。

安装

　　1.Linux：

      pip3 install scrapy

　　2.Windows：

      a. pip3 install wheel

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

      c. 进入下载目录，执行     pip3 install Twisted‑17.1.‑cp35‑cp35m‑win_amd64.whl   # 对应下载的文件全名

      d. pip3 install pywin32

      e. pip3 install scrapy

基础使用

1.创建项目：scrapy startproject 项目名称

scrapy startprojet 项目名称

项目结构：

project_name/
   scrapy.cfg：
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.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    数据持久化处理
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，编写爬虫解析规则

项目结构

2.创建爬虫应用程序

cd project_name（进入项目目录）

scrapy genspider 应用名称 爬取网页的起始url

scrapy genspider qiubai www.qiushibaike.com

3.编写爬虫文件

可以利用pycharm打开此项目目录编辑

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

class QiubaiSpider(scrapy.Spider):
    # 爬虫文件的名称:根据名称可以定位到指定的爬虫文件
    name = 'qiubai'
    # 允许的域名
    allowed_domains = ['www.qiushibaike.com']
    # 起始url列表
    start_urls = ['http://www.qiushibaike.com/']

    # 用于解析:response就是起始url对应的响应对象
    def parse(self, response):
        print(response)  # 对象
        print(response.text)  # 文本
        print(response.body)  # 源数据

4.设置修改settings.py配置文件相关配置

19行：USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' #伪装请求载体身份

22行：ROBOTSTXT_OBEY = False  #可以忽略或者不遵守robots协议

5.执行爬虫程序：scrapy crawl  应用名称

scrapy crawl qiubai

带日志和不带日志的命令

    scrapy crawl 爬虫名称 ：该种执行形式会显示执行的日志信息
    scrapy crawl 爬虫名称 --nolog：该种执行形式不会显示执行的日志信息