05 爬虫之scrapy

一 scrapy框架简介

01 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。

Scrapy一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，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 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。

整体架构大致如下：

流程解释:

1，spider打开某网页，获取到一个或者多个request，经由scrapy engine传送给调度器scheduler
　　request特别多并且速度特别快会在scheduler形成请求队列queue，由scheduler安排执行
2，schelduler会按照一定的次序取出请求，经由引擎, 下载器中间键，发送给下载器dowmloader
　　这里的下载器中间键是设定在请求执行前，因此可以设定代理，请求头，cookie等
3，下载下来的网页数据再次经过下载器中间键，经过引擎，经过爬虫中间键传送给爬虫spiders
　　这里的下载器中间键是设定在请求执行后，因此可以修改请求的结果
　　这里的爬虫中间键是设定在数据或者请求到达爬虫之前，与下载器中间键有类似的功能
4，由爬虫spider对下载下来的数据进行解析，按照item设定的数据结构经由爬虫中间键，引擎发送给项目管道itempipeline
　　这里的项目管道itempipeline可以对数据进行进一步的清洗，存储等操作
　　这里爬虫极有可能从数据中解析到进一步的请求request，它会把请求经由引擎重新发送给调度器shelduler，调度器循环执行上述操作
5，项目管道itempipeline管理着最后的输出

　　

常用组件解释:

1、引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。

2、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的优先级队列, 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

3、下载器(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的

4、爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求

5、项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，
你可用该中间件做以下几件事：
  　　(1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
  　　(2) change received response before passing it to a spider;
  　　(3) send a new Request instead of passing received response to a spider;
  　　(4) pass response to a spider without fetching a web page;
  　　(5) silently drop some requests.

6、爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

02 scrapy的安装

　#Linux：

      pip3 install scrapy

　　#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‑17.1.0‑cp35‑cp35m‑win_amd64.whl

      d. pip3 install pywin32

      e. pip3 install scrapy

03 常用命令

 # 1 查看帮助
     scrapy -h
     scrapy <command> -h

 # 2 有两种命令：其中Project-only必须切到项目文件夹下才能执行，而Global的命令则不需要
     Global commands:
         startproject #创建项目
         genspider    #创建爬虫程序
         settings     #如果是在项目目录下，则得到的是该项目的配置
         runspider    #运行一个独立的python文件，不必创建项目
         shell        #scrapy shell url地址  在交互式调试，如选择器规则正确与否
         fetch        #独立于程单纯地爬取一个页面，可以拿到请求头
         view         #下载完毕后直接弹出浏览器，以此可以分辨出哪些数据是ajax请求
         version      #scrapy version 查看scrapy的版本，scrapy version -v查看scrapy依赖库的版本
     Project-only commands:
         crawl        #运行爬虫，必须创建项目才行，确保配置文件中ROBOTSTXT_OBEY = False
         check        #检测项目中有无语法错误
         list         #列出项目中所包含的爬虫名
         edit         #编辑器，一般不用
         parse        #scrapy parse url地址 --callback 回调函数  #以此可以验证我们的回调函数是否正确
         bench        #scrapy bentch压力测试

 # 3 官网链接
     https://docs.scrapy.org/en/latest/topics/commands.html

特别注意:

创建项目: scrapy startproject  名称

创建新业务: 会先提醒进入项目 cd 项目名称
创建业务指令: scrapy genspider 业务名称 域名

运行程序:
scrapy crawl 业务名称

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

小项目:爬取糗事百科文章笑话:

spider:qiubai.py

 # -*- coding: utf-8 -*-
 import scrapy
 from ..items import QiubaiItem

 class QiubaiSpider(scrapy.Spider):
     name = 'qiubai'
     allowed_domains = ['www.qiushibaike.com']
     start_urls = ['http://www.qiushibaike.com/']

     def start_requests(self):
         url = "https://www.qiushibaike.com/text/"
         request = scrapy.Request(url)
         yield request

     def parse(self, response):
         print(">>>", response)
         contents = response.xpath('//*[@id="content-left"]/div')
         data=[]
         for item in contents:
             dic={}
             author = item.xpath('.//*[@class="author clearfix"]/*[2]/h2/text()').extract()[0].strip()
             content = item.xpath('.//*[@class="contentHerf"]/div/span/text()').extract()[0].strip()
             # data.append(
             #     {"author":author,
             #     "content":content}
             # )
             item = QiubaiItem()  #实例化QiubaiItem() 以获得统一的命名格式
             item["author"] = author
             item["content"] = content
             yield item

items:

import scrapy

class QiubaiItem(scrapy.Item):
    # define the fields for your item here like:
    author = scrapy.Field()
    content = scrapy.Field()

pipeline:

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import pymongo

注意,若采用双管道存放数据的话要去settings 更改 ITEM_PIPELINES,并设置优先级
此时更改示例如:\
ITEM_PIPELINES = {
   'QiuBai.pipelines.QiubaiMongoPipeline': 500,
   'QiuBai.pipelines.QiubaiFilePipeline': 300, # 优先级越小越高
}

# 管道一:将数据存入数据库
class QiubaiMongoPipeline(object):    # def parse(self, response) 会将获得的数据通过yield data传到此处

    def open_spider(self, spider):
        print("爬虫开始....")
    def close_spider(self, spider):
        print("爬虫结束...")
    def process_item(self, item, spider):
        print("mongo....")
        # 1 连接mongo数据库(确保数据库是开着的)
        client = pymongo.MongoClient(host='localhost', port=27017)
        # 2 获取数据库以及集合
        db = client.spider

        if dict(item):
             db.qiubai.save(dict(item))
        # 清洗数据，校验数据，存储到数据库
        return item

# 管道二:将数据存入文档中
class QiubaiFilePipeline(object):

    # @classmethod
    # def from_crawler(cls, crawler):
    #     pass
    def open_spider(self, spider):    #会在爬虫程序开始前启动
        print("QiubaiFilePipeline开始....")
    def close_spider(self, spider):     #会在爬虫程序结束后启动
        print("QiubaiFilePipeline结束...")

    def process_item(self, item, spider):
        print("file....")
        import json
        with open("qiubai.txt","a",encoding="utf8") as f:
            f.write(json.dumps(dict(item),ensure_ascii=False)+"\n")
        return item

以下是scrapy常用几个模块:

Spider:

　　Spiders是定义如何抓取某个站点（或一组站点）的类，包括如何执行爬行（即跟随链接）以及如何从其页面中提取结构化数据（即抓取项目）。换句话说，Spiders是您为特定站点（或者在某些情况下，一组站点）爬网和解析页面定义自定义行为的地方。

1、 生成初始的Requests来爬取第一个URLS，并且标识一个回调函数
     第一个请求定义在start_requests()方法内默认从start_urls列表中获得url地址来生成Request请求，
     默认的回调函数是parse方法。回调函数在下载完成返回response时自动触发

2、 在回调函数中，解析response并且返回值
     返回值可以4种：
          包含解析数据的字典
          Item对象
          新的Request对象（新的Requests也需要指定一个回调函数）
          或者是可迭代对象（包含Items或Request）

3、在回调函数中解析页面内容
   通常使用Scrapy自带的Selectors，但很明显你也可以使用Beutifulsoup，lxml或其他你爱用啥用啥。

4、最后，针对返回的Items对象将会被持久化到数据库
   通过Item Pipeline组件存到数据库：https://docs.scrapy.org/en/latest/topics/item-pipeline.html#topics-item-pipeline）
   或者导出到不同的文件（通过Feed exports：https://docs.scrapy.org/en/latest/topics/feed-exports.html#topics-feed-exports）

还有pipeline,items,等

详见:https://www.cnblogs.com/pyedu/p/10314215.html