[转]Scrapy简单入门及实例讲解

Scrapy简单入门及实例讲解

中文文档：   http://scrapy-chs.readthedocs.io/zh_CN/0.24/

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, 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：

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

一、安装

    1、安装wheel
        pip install wheel
    2、安装lxml
        https://pypi.python.org/pypi/lxml/4.1.0
    3、安装pyopenssl
        https://pypi.python.org/pypi/pyOpenSSL/17.5.0
    4、安装Twisted
        https://www.lfd.uci.edu/~gohlke/pythonlibs/
    5、安装pywin32
        https://sourceforge.net/projects/pywin32/files/
    6、安装scrapy
        pip install scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、爬虫举例

入门篇：美剧天堂前100最新（http://www.meijutt.com/new100.html）

1、创建工程

1	scrapy startproject movie

2、创建爬虫程序

1 2	cd movie scrapy genspider meiju meijutt.com

3、自动创建目录及文件

4、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

注意：一般创建爬虫文件时，以网站域名命名

5、设置数据存储模板

　　items.py

1 2 3 4 5 6 7 8

import scrapy     class MovieItem(scrapy.Item):     # define the fields for your item here like:     # name = scrapy.Field()     name = scrapy.Field()

6、编写爬虫

　　meiju.py

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

# -*- coding: utf-8 -*- import scrapy from movie.items import MovieItem   class MeijuSpider(scrapy.Spider):     name = "meiju"     allowed_domains = ["meijutt.com"]     start_urls = ['http://www.meijutt.com/new100.html']       def parse(self, response):         movies = response.xpath('//ul[@class="top-list  fn-clear"]/li')         for each_movie in movies:             item = MovieItem()             item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]             yield item

7、设置配置文件

　　settings.py增加如下内容

1	ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}

8、编写数据处理脚本

　　pipelines.py

1 2 3 4

class MoviePipeline(object):     def process_item(self, item, spider):         with open("my_meiju.txt",'a') as fp:             fp.write(item['name'].encode("utf8") + '\n')

9、执行爬虫

1 2	cd movie scrapy crawl meiju --nolog

10、结果

进阶篇：爬取校花网（http://www.xiaohuar.com/list-1-1.html）

1、创建一个工程

1	scrapy startproject pic

2、创建爬虫程序

1 2	cd pic scrapy genspider xh xiaohuar.com

3、自动创建目录及文件

4、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

注意：一般创建爬虫文件时，以网站域名命名

5、设置数据存储模板

1 2 3 4 5 6 7 8

import scrapy     class PicItem(scrapy.Item):     # define the fields for your item here like:     # name = scrapy.Field()     addr = scrapy.Field()     name = scrapy.Field()

6、编写爬虫

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

# -*- coding: utf-8 -*- import scrapy import os # 导入item中结构化数据模板 from pic.items import PicItem   class XhSpider(scrapy.Spider):     # 爬虫名称，唯一     name = "xh"     # 允许访问的域     allowed_domains = ["xiaohuar.com"]     # 初始URL     start_urls = ['http://www.xiaohuar.com/list-1-1.html']       def parse(self, response):         # 获取所有图片的a标签         allPics = response.xpath('//div[@class="img"]/a')         for pic in allPics:             # 分别处理每个图片，取出名称及地址             item = PicItem()             name = pic.xpath('./img/@alt').extract()[0]             addr = pic.xpath('./img/@src').extract()[0]             addr = 'http://www.xiaohuar.com'+addr             item['name'] = name             item['addr'] = addr             # 返回爬取到的数据             yield item

7、设置配置文件

1 2	# 设置处理返回数据的类及执行优先级 ITEM_PIPELINES = {'pic.pipelines.PicPipeline':100}

8、编写数据处理脚本

1 2 3 4 5 6 7 8 9 10 11

import urllib2 import os   class PicPipeline(object):     def process_item(self, item, spider):         headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}         req = urllib2.Request(url=item['addr'],headers=headers)         res = urllib2.urlopen(req)         file_name = os.path.join(r'D:\my\down_pic',item['name']+'.jpg')         with open(file_name,'wb') as fp:             fp.write(res.read())

9、执行爬虫

1 2	cd pic scrapy crawl xh --nolog

结果：

终极篇：我想要所有校花图

注明：基于进阶篇再修改为终极篇

#　　xh.py

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

# -*- coding: utf-8 -*- import scrapy import os from scrapy.http import Request   # 导入item中结构化数据模板 from pic.items import PicItem   class XhSpider(scrapy.Spider):     # 爬虫名称，唯一     name = "xh"     # 允许访问的域     allowed_domains = ["xiaohuar.com"]     # 初始URL     start_urls = ['http://www.xiaohuar.com/hua/']     # 设置一个空集合     url_set = set()       def parse(self, response):         # 如果图片地址以http://www.xiaohuar.com/list-开头，我才取其名字及地址信息         if response.url.startswith("http://www.xiaohuar.com/list-"):             allPics = response.xpath('//div[@class="img"]/a')             for pic in allPics:                 # 分别处理每个图片，取出名称及地址                 item = PicItem()                 name = pic.xpath('./img/@alt').extract()[0]                 addr = pic.xpath('./img/@src').extract()[0]                 addr = 'http://www.xiaohuar.com'+addr                 item['name'] = name                 item['addr'] = addr                 # 返回爬取到的信息                 yield item         # 获取所有的地址链接         urls = response.xpath("//a/@href").extract()         for url in urls:             # 如果地址以http://www.xiaohuar.com/list-开头且不在集合中，则获取其信息             if url.startswith("http://www.xiaohuar.com/list-"):                 if url in XhSpider.url_set:                     pass                 else:                     XhSpider.url_set.add(url)                     # 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数                     # from scrapy.http import Request                     # Request(url,callback=self.parse)                     yield self.make_requests_from_url(url)             else:                 pass