Scrapy 框架入门简介

一、Scrapy框架简介

Scrapy 是用 Python 实现的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。

Scrapy 常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。

通常我们可以很简单的通过 Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

二、Scrapy架构图(绿线是数据流向)

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎（主要功能url去重，构建url队列）。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器).
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

三、Scrapy的运作流程

代码写好，程序开始运行...

1 引擎：Hi！Spider, 你要处理哪一个网站？

2 Spider：老大要我处理xxxx.com。

3 引擎：你把第一个需要处理的URL给我吧。

4 Spider：给你，第一个URL是xxxxxxx.com。

5 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

6 调度器：好的，正在处理你等一下。

7 引擎：Hi！调度器，把你处理好的request请求给我。

8 调度器：给你，这是我处理好的request

9 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

10 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

11 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

12 Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。

13 引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

14 管道``调度器：好的，现在就做！

注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）

四、制作 Scrapy 爬虫一共需要5步：

#新建项目 ：新建一个新的爬虫项目

scrapy startproject proName

#创建爬虫文件

scrapy genspider spiName "www.xxx.com"

#明确目标 （编写items.py）：明确你想要抓取的目标

#编写爬虫文件：制作爬虫开始爬取网页

#存储内容 （pipelines.py）：设计管道存储爬取内容

五、Scrapy的安装

Windows 安装方式

a. pip3 install wheel

b. pip3 install Twisted-17.0.1-cp35-cp35m-win_amd64.whl

c. pip3 install pywin32

d. pip3 install scrapy

六、入门案例

（一）在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：

scrapy startproject mySpider

其中， mySpider 为项目名称，可以看到将会创建一个 mySpider 文件夹，目录结构大致如下：

下面来简单介绍一下各个主要文件的作用：

mySpider/

    scrapy.cfg

    mySpider/

        __init__.py

        items.py

        pipelines.py

        settings.py

        spiders/

            __init__.py

            ...

这些文件分别是:

scrapy.cfg: 项目的配置文件。
mySpider/: 项目的Python模块，将会从这里引用代码。
mySpider/items.py: 项目的目标文件。
mySpider/pipelines.py: 项目的管道文件。
mySpider/settings.py: 项目的设置文件。
mySpider/spiders/: 存储爬虫代码目录。

（二）明确目标

我们打算抓取 http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。

打开 mySpider 目录下的 items.py。
Item 定义结构化数据字段，用来保存爬取到的数据，有点像 Python 中的 dict，但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个 Item（可以理解成类似于 ORM 的映射关系）。

接下来，创建一个 ItcastItem 类，和构建 item 模型（model）。

import scrapy

class ItcastItem(scrapy.Item):

   name = scrapy.Field()

   title = scrapy.Field()

   info = scrapy.Field()

（三）制作爬虫文件

1. 爬数据

在当前目录下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：

scrapy genspider itcast "itcast.cn"

打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:

import scrapy

class ItcastSpider(scrapy.Spider):

    name = "itcast"

    allowed_domains = ["itcast.cn"]

    start_urls = (

        'http://www.itcast.cn/',

    )

    def parse(self, response):

        pass

其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider，你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性和一个方法。

name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

allow_domains = [ ] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

2、取数据，修改parse()方法

from mySpider.items import ItcastItem

def parse(self, response):

    #open("teacher.html","wb").write(response.body).close()

    # 存放老师信息的集合

    items = []

    for each in response.xpath("//div[@class='li_txt']"):

        # 将我们得到的数据封装到一个 `ItcastItem` 对象

        item = ItcastItem()

        #extract()方法返回的都是unicode字符串

        name = each.xpath("h3/text()").extract()

        title = each.xpath("h4/text()").extract()

        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一个元素的列表

        item['name'] = name[0]

        item['title'] = title[0]

        item['info'] = info[0]

        items.append(item)

    # 直接返回最后数据

    return items

我们暂时先不处理管道，此时保存数据可以在终端输入命令，指定-o参数

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，命令如下：

scrapy crawl itcast -o teachers.json      #json格式，默认为Unicode编码

scrapy crawl itcast -o teachers.jsonlines    #json lines格式，默认为Unicode编码

scrapy crawl itcast -o teachers.csv    #csv 逗号表达式，可用Excel打开

scrapy crawl itcast -o teachers.xml   #xml格式

如果将return改成yield，如下所示，yield会将item数据通过引擎提交给管道进行数据的存储

from mySpider.items import ItcastItem

def parse(self, response):

    #open("teacher.html","wb").write(response.body).close()

    # 存放老师信息的集合

    #items = []

    for each in response.xpath("//div[@class='li_txt']"):

        # 将我们得到的数据封装到一个 `ItcastItem` 对象

        item = ItcastItem()

        #extract()方法返回的都是unicode字符串

        name = each.xpath("h3/text()").extract()

        title = each.xpath("h4/text()").extract()

        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一个元素的列表

        item['name'] = name[0]

        item['title'] = title[0]

        item['info'] = info[0]

        #items.append(item)

        #将获取的数据交给pipelines

        yield item

此时pipelines.py文件编写如下：

import pymysql

import redis

class MyspiderPipeline(object):

    fp = None

    def open_spider(self,spider):      #此方法只执行一次，在爬虫文件开始被执行时触发此方法

        print("开始爬虫...")

        self.fp = open('./info.txt','w',encoding='utf-8')

    def process_item(self, item, spider):

        print("打印item",item)

        self.fp.write(item["name"]+':'+item["title"]+':'+item["info"]+'\n')

        return item      #return的作用是将item交由下一个管道进行相应方式的存储

    def close_spider(self,spider):    #此方法只执行一次，在爬虫文件执行结束时触发此方法

        print('结束爬虫...')

        self.fp.close()

#将爬虫数据存储在mtsql数据库中

class MysqlPipeline(object):

    conn = None

    cursor = None

    def open_spider(self,spider):

        self.conn = pymysql.Connect(host="127.0.0.1",port=3306,user="root",password="",db="scrapy",charset="utf8")

    def process_item(self,item,spider):

        self.cursor = self.conn.cursor()

        try:

            sql = "insert into teachers(name,title,info) values (%s,%s,%s)"

            self.cursor.execute(sql,[item["name"],item["title"],item["info"]])

            self.conn.commit()

            return item

        except Exception as e:

            self.conn.rollback()

    def close_spider(self,spider):

        self.conn.close()

        self.cursor.close()

# 将爬虫文件缓存在redis数据库中

class RedisPipeline(object):

    conn = None

    def open_spider(self, spider):

        pool = redis.ConnectionPool(host='127.0.0.1',port=6379,db=5)

        self.conn = redis.Redis(connection_pool=pool)

    def process_item(self,item,spider):

        self.conn.lpush('teachersInfo',item)

        return item

pipelines.py

利用管道进行存储时，注意不要忘了对settings.py文件进行相应的配置

ITEM_PIPELINES = {

   'mySpider.pipelines.MyspiderPipeline': 300,    #数字越小，优先级越高

   'mySpider.pipelines.MysqlPipeline': 301,

   'mySpider.pipelines.RedisPipeline': 302,

}

settings.py