【爬虫】利用Scrapy抓取京东商品、豆瓣电影、技术问题

　　1.scrapy基本了解

　　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。可以应用在包括数据挖掘， 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(比如Web Services)或者通用的网络爬虫。

　　Scrapy也能帮你实现高阶的爬虫框架，比如爬取时的网站认证、内容的分析处理、重复抓取、分布式爬取等等很复杂的事。

 

　　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：

1.首先，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，下载器把资源下载下来，并封装成应答包(Response)

3.然后，爬虫解析Response

4.若是解析出实体（Item）,则交给实体管道进行进一步的处理。

5.若是解析出的是链接（URL）,则把URL交给Scheduler等待抓取

　　2.安装scrapy

    　　虚拟环境安装：

    sudo pip install virtualenv #安装虚拟环境工具

    virtualenv ENV #创建一个虚拟环境目录 

    source ./ENV/bin/active #激活虚拟环境 

    pip install Scrapy #验证是否安装成功 

    pip list #验证安装

    可以如下测试：

    scrapy bench

　　3.使用scrapy

   　　 在抓取之前, 你需要新建一个Scrapy工程. 进入一个你想用来保存代码的目录，然后执行：

        　　$ scrapy startproject tutorial

　　　　这个命令会在当前目录下创建一个新目录 tutorial, 它的结构如下:

|____scrapy.cfg

|____tutorial

| |______init__.py

| |______init__.pyc

| |____items.py

| |____items.pyc

| |____pipelines.py

| |____settings.py

| |____settings.pyc

| |____spiders

| | |______init__.py

| | |______init__.pyc

| | |____example.py

| | |____example.pyc

 

　　这些文件主要是：

• scrapy.cfg: 项目配置文件
• tutorial/: 项目python模块, 之后您将在此加入代码
• tutorial/items.py: 项目items文件
• tutorial/pipelines.py: 项目管道文件
• tutorial/settings.py: 项目配置文件
• tutorial/spiders: 放置spider的目录

　　3.1. 定义Item

　　items是将要装载抓取的数据的容器，它工作方式像 python 里面的字典，但它提供更多的保护，比如对未定义的字段填充以防止拼写错误通过创建scrapy.Item类, 并且定义类型为 scrapy.Field 的类属性来声明一个Item.我们通过将需要的item模型化。在 tutorial 目录下的 items.py 文件中编辑。

   

　　3.2. 编写Spider

　　Spider 是用户编写的类, 用于从一个域（或域组）中抓取信息, 定义了用于下载的URL的初步列表, 如何跟踪链接，以及如何来解析这些网页的内容用于提取items。

要建立一个 Spider，继承 scrapy.Spider 基类，并确定三个主要的、强制的属性：

• name：爬虫的识别名，它必须是唯一的，在不同的爬虫中你必须定义不同的名字.
• start_urls：包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。
• parse()：是spider的一个方法。被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。
  这个方法负责解析返回的数据、匹配抓取的数据(解析为 item )并跟踪更多的 URL。

　　在 /tutorial/tutorial/spiders 目录下创建

　　example.py

 

　　3.3 .爬取

　　到项目根目录, 然后运行命令

　　$ scrapy crawl example

 

　　完整代码参考：https://github.com/AlexanLee/Spider 其中有题目中抓取京东和豆瓣的方法。