爬虫之scrapy入门

1.介绍

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. 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

2.下载

 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.pyOpenSSL  https://pypi.python.org/pypi/pyOpenSSL#downloads
       d. 下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/
       e. pip3 install scrapy

3.基础使用

 1. scrapy startproject 项目名称
    - 在当前目录中创建中创建一个项目文件（类似于Django）

 2. scrapy genspider [-t template] <name> <domain>
    - 创建爬虫应用
    如：
       scrapy gensipider -t basic oldboy oldboy.com
       scrapy gensipider -t xmlfeed autohome autohome.com.cn
    PS:
       查看所有命令：scrapy gensipider -l
       查看模板命令：scrapy gensipider -d 模板名称

 3. scrapy list
    - 展示爬虫应用列表

 4. scrapy crawl 爬虫应用名称
    - 运行单独爬虫应用

项目结构

 project_name/
    scrapy.cfg
    project_name/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            spider1.py
            spider2.py
            spider3.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

4.小试牛刀例子

 import scrapy
 from scrapy.selector import Selector
 from test1.items import Test1Item

 class XiaohuaSpider(scrapy.Spider):
     name = 'xiaohua'
     allowed_domains = ['xiaohuar.com']
     start_urls = ['http://www.xiaohuar.com/hua/']

     def parse(self, response):
         xph = Selector(response=response).xpath('//div[@id="list_img"]//div[@class="item_t"]')
         for i in xph:
             item = Test1Item()
             item['img_url'] = i.xpath('./div[@class="img"]/a/img/@src').extract_first()
             item['name'] = i.xpath('./div[@class="img"]/a/img/@alt').extract_first()
             yield item
         next = Selector(response=response).xpath('//div[@id="page"]//a[17]/@href').extract_first()
         if next:
             yield scrapy.Request(url=next, callback=self.parse)

spider.py/xiaohua.py

import os,requests

class Test1Pipeline(object):

    def process_item(self, item, spider):
        if item['img_url'][0] == '/':
            item['img_url'] = 'http://www.xiaohuar.com/' + item['img_url']
        filename = os.path.join('xiaohua', item['name']) + '.png'
        img = requests.get(item['img_url'])
        if img.status_code == 200:
            if os.path.exists('xiaohua'):
                pass
            else:
                os.mkdir('xiaohua')
            with open(filename, 'wb')as f:
                f.write(img.content)
        else:
            print('保存失败')

pipelines.py

import scrapy

class Test1Item(scrapy.Item):

    img_url = scrapy.Field()
    name = scrapy.Field()

item.py