第三篇：爬虫框架 - Scrapy

前言

Python提供了一个比较实用的爬虫框架 - Scrapy。在这个框架下只要定制好指定的几个模块，就能实现一个爬虫。

本文将讲解Scrapy框架的基本体系结构，以及使用这个框架定制爬虫的具体步骤。

Scrapy体系结构

其具体执行流程如下：

1. 任务管理器Scheduler将初始下载任务递交给下载器Downloader；
       2. 下载器Downloader将下载好了的页面传递给爬取分析器Spiders进行分析。

爬取分析器分析的结果分为两种：

a) 本次爬取所得数据 -> 它将传递给任务管理器Scheduler；
       b) 需要进行下一级爬取的URL地址 -> 它将传递给数据管道进行相关的保存工作。

基于Scrapy框架的豆瓣网电影信息爬取器

1. 执行以下命令创建一个新的工程：

 scrapy startproject doubanMovieSpider

doubanMovieSpider是工程名，工程包里将会有如下这些文件：

1) scrapy.cfg: 项目配置文件
2) items.py: 需要提取的数据结构定义文件
3) pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等
4) settings.py: 爬虫配置文件
5) spiders: 放置spider的目录

该工程用于从豆瓣网爬取电影信息(如电影名，评分等等)。

2. 定义爬取结果数据结构Item --- 在items.py中编写如下代码：

 # -*- coding: utf-8 -*-
 # ================================================
 #  作者: 方萌
 #  创建时间: 20**/**/**
 #  版本号: 1.0
 #  联系方式: 1505033833@qq.com
 # ================================================
 # scrapy框架模块
 import scrapy
 class DoubanmoviespiderItem(scrapy.Item):
     # 主题
     title = scrapy.Field()
     # 评分
     rate = scrapy.Field()
     # ID
     id = scrapy.Field()

Item其实从本质来说，就是Scrapy框架自己实现的字典，需要继承scrapy.Item类。上述代码定义的字典表示要爬取的电影信息有：电影主题，电影评分，以及电影ID。

3. 实现爬取分析器Spider --- 在spiders目录下增加一个python文件MovieSpider.py：

在这个文件中自定义一个爬取分析器，该分析器为一个继承自scrapy.spider.BaseSpider(或者Scrapy框架下其他抽象爬取器)的类，它起码要实现以下几个字段：

1) name：spider的标识
2) start_urls：起始爬取URL
3) parse()：爬取对象解析函数

实现代码如下：

 # -*- coding: utf-8 -*-
 # ================================================
 #  作者: 方萌
 #  创建时间: 20**/**/**
 #  版本号: 1.0
 #  联系方式: 1505033833@qq.com
 # ================================================
 # scrapy框架模块
 import scrapy
 # json解析模块
 import json
 # 系统模块
 import sys
 # items模块
 import doubanMovieSpider.items
 # 爬虫类
 class MovieSpider(scrapy.spider.BaseSpider):
     # 爬虫名
     name = "douban"
     # 域名限定
     allowed_domains = ["www.douban.com"]
     # 爬取URL队列
     start_urls = [
         "http://movie.douban.com/j/serch_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=200&page_start=0"
     ]
     def parse(self, response):
         """
             函数功能:
                 解析爬取到的数据
             输入:
                 response -> 爬取返回数据对象
             输出:
                 空
         """
         # 将爬取到的电影信息存入json容器
         json_container = json.loads(response.body)
         # 构建items。该模块具体含义请查询相关文档。
         items = []
         for movie_elem in json_container['subjects']:
             item = doubanMovieSpider.items.DoubanmoviespiderItem()
             for key in movie_elem:
                 if key == 'title':
                     item['title'] = movie_elem[key]
                     print movie_elem[key]
                 if key == 'rate':
                     item['rate'] = movie_elem[key]
                 if key == 'id':
                     item['id'] = movie_elem[key]
                     items.append(item)
         # 返回items
         return items

4. 实现PipeLine --- 修改items.py文件：

 # -*- coding: utf-8 -*-
 # Define your item pipelines here
 #
 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
 class DoubanmoviespiderPipeline(object):
     def __init__(self):
         pass
     def process_item(self, item, spider):
         pass

PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。

我们可以在其中的__init__方法内编写打开文件部分代码，在process_item方法内编写具体的写入函数(可直接将数据写入进远程数据库)；也可以不实现这个模块，scrapy会有其默认的写入机制(本系统采用默认写入机制)

5. 在项目当前目录下执行如下命令即可启动此爬虫系统：

 scrapy crawl douban -o items.json -t json

该命令表示启动爬取分析器“douban”，并将爬取到的items以json格式保存到items.json文件中。“douban” 即是在爬取分析器中由name域指定的。

下图为爬取到的结果：

小结

本文仅仅给出Scrapy框架的基本使用。如果要实现生产级别的项目，还需对该框架内的一些具体设置，各种抽象爬取分析器进行深入研究。