一、scrapy的下载安装---Windows（安装软件太让我伤心了）

写博客就和笔记一样真的很有用，你可以随时的翻阅。爬虫的爬虫原理与数据抓取、非结构化与结构化数据提取、动态HTML处理和简单的图像识别已经学完，就差整理博客了

开始学习scrapy了，所以重新建了个分类。

scrapy的下载到安装，再到能够成功运行就耗费了我三个小时的时间，为了防止以后忘记，记录一下。

我用的是Python3.6.        Windows    需要四步

1、pip3 install wheel

2、安装Twisted

　　a. http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted, 下载：Twisted-17.9.0-cp36-cp36m-win_amd64.whl
　　

　　b. 进入文件所在目录
　　

　　c. pip3 install Twisted-17.1.0-cp35-cp35m-win_amd64.whl

3、pip3 install scrapy

然后我打开cmd,输入了scrapy, 出现：

　　　 scrapy startproject myspider                              -----------创建scrapy项目

　　　 cd myspider                                                       -----------进入myspider目录

          scrapy genspider baidu baidu.com                    ------------创建爬虫文件

　　　 scrapy crawl baidu                                            -------------运行文件

之后，就报错了，说缺少一个模块win32,   上网查说  windows上scrapy依赖pywin32，下载网址： https://sourceforge.net/projects/pywin32/files/

我下载了，在安装的时候出现了：

 

上面说是没注册什么的，上网搜了一下解决方案，唉，自己没看懂。痛心疾首，对我自己的智商感到捉急

4、在cmd中使用python -m pip install pypiwin32

这是我成功的方法，上网查之后，在https://stackoverflow.com/questions/4863056/how-to-install-pywin32-module-in-windows-7有这样一段话：

---

每天一个小实例：爬视频（其实找到了视频的url链接，用urllib.request.urlretrieve(视频url，存储的路径）就可以了。

我做的这个例子太简单；用scrapy框架显得复杂，，我只是下载了一页，多页的话循环url，主要是走一遍使用Scrapy的流程：

 #第一
 打开mySpider目录下的items.py

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

 # Define here the models for your scraped items
 #
 # See documentation in:
 # https://doc.scrapy.org/en/latest/topics/items.html

 import scrapy

 '''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）。'''
 class MyspiderItem(scrapy.Item):
     # define the fields for your item here like:
     name = scrapy.Field()
     mp4_url = scrapy.Field()

 #第二，打开你创建的爬虫文件，我的是baisi.py

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

 class BaisiSpider(scrapy.Spider):
     name = 'baisi'
     allowed_domains = ['http://www.budejie.com']
     start_urls = ['http://www.budejie.com/video/']

     def parse(self, response):
         # 将我们得到的数据封装到一个 `MyspiderItem` 对象
         item = MyspiderItem()

         #提取数据
         mp4_links = response.xpath('//li[@class="j-r-list-tool-l-down f-tar j-down-video j-down-hide ipad-hide"]')
         for mp4_link in mp4_links:
             name = mp4_link.xpath('./@data-text')[0].extract()
             video = mp4_link.xpath('./a/@href')[0].extract()
             #判断是否有MP4——url链接，有的保存
             if video:
                 item['name'] = name
                 item['mp4_url'] = video
             # 将获取的数据交给pipelines
             yield item

 #第三 打开pipelines.py文件

 # -*- 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 urllib.request
 import os
 class MyspiderPipeline(object):
     def process_item(self, item, spider):
 #文件名
         file_name = "%s.mp4" % item['name']
 #文件保存路径
         file_path = os.path.join("F:\\myspider\\myspider\\video", file_name)
         urllib.request.urlretrieve(item['mp4_url'],file_path)
         return item

 第四，执行scrapy crawl baisi

执行结果：

---

Scrapy 框架

• Scrapy是用纯Python实现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，用途非常广泛。

• 框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

• Scrapy框架官方网址：http://doc.scrapy.org/en/latest

  Scrapy中文维护站点：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

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。

• 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）

scrapy运行的流程大概是：

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处理
6. 解析出的是衔接（URL），则把URL交给调度器等待抓取

---

基本使用：

1.在命令行中输入： scrapy startproject myspider -----------创建scrapy项目

自动创建目录：

打开：myspider

文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（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

2.

cd myspider                                             -----------进入myspider目录

  scrapy genspider baidu baidu.com         ------------创建爬虫文件

注意：一般创建爬虫文件时，以网站域名命名，文件会在spiders中，

3.  然后你就可以编写代码了

4.  scrapy crawl baidu        -------------运行文件

总的来说：

制作 Scrapy 爬虫 一共需要4步：

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 明确目标 （编写items.py）：明确你想要抓取的目标
• 制作爬虫 （spiders/xxspider.py）：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