爬虫（九）：scrapy框架回顾

scrapy文档

一：安装scrapy

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. pip3 install scrapy

e. 下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/

二：基本操作

（1）新建工程：在创建工程之前先进入想用来保存代码的目录，然后执行

scrapy startproject xxx #创建项目

Microsoft Windows [版本 10.0.16299.309]
(c)  Microsoft Corporation。保留所有权利。

C:\Users\felix>cd C:\Users\felix\PycharmProjects\scrapy_quotes

C:\Users\felix\PycharmProjects\scrapy_quotes>scrapy startproject quotes
New Scrapy project 'quotes', using template directory 'c:\\users\\felix\\appdata\\local\\programs\\python\\python36\\lib\\site-packages\\scrapy\\templates\\project', created in:
    C:\Users\felix\PycharmProjects\scrapy_quotes\quotes

You can start your first spider with:
    cd quotes
    scrapy genspider example example.com

执行这条命令将创建一个新目录：包括的文件如下：

scrapy.cfg：项目配置文件

quotes/：项目python模块，待会代码将从这里导入

quotes/items：项目items文件

quotes/pipelines.py:项目管道文件

quotes/settings.py：项目配置文件

quotes/spiders：放置spider的目录

（2）：创建爬虫

cd quotes # 先进入项目目录

scrapy genspider name name.com  # 创建爬虫

scrapy crawl name # 运行爬虫

（3）：创建的爬虫类解析

import scrapy
from quotes.items import QuotesItem

class QuotespiderSpider(scrapy.Spider):
    name = 'quotespider'  # 爬虫名称
    allowed_domains = ['quotes.toscrape.com']  # 允许爬虫访问的域名，可以多个
    start_urls = ['http://quotes.toscrape.com/'] # 爬虫开始的url地址

    def parse(self, response):  # 爬虫返回的数据解析函数
        quotes = response.css('.quote')  # 通过css选择器选择相应的内容
        for quote in quotes:
            item = QuotesItem()  # item做数据持久化的
            text = quote.css('.text::text').extract_first()  # ::text 表示输出文本内容
            author = quote.css('.author::text').extract_first()  # ::text 表示输出文本内容
            tags = quote.css('.tags .tag::text').extract()  # extract_first() 表示找第一个，extract()表示找到所有，并返回一个列表
            item['text'] = text  # 赋值  首先要在items类中创建
            item['tags'] = tags
            item['author'] = author
            yield item  # 生成item 做数据存储
        next = response.css('.pager .next a::attr(href)').extract_first()  # 得到相对的url
        url = response.urljoin(next)  # 获取一个绝对的url，获取下一页的url
        yield scrapy.Request(url=url, callback=self.parse)  # 处理链接，将返回的response交给callback的回调函数

# scrapy shell quotes.toscrape.com  # 进入命令行调试
# scrapy crawl quotes -o quotes.json(.csv  .xml)     # 数据保存，可以保存多个类型

（4）：items类解析

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。

它通过创建一个scrapy.item.Item类来声明，定义它的属性为scrpy.item.Field对象，就像是一个对象关系映射(ORM). 
我们通过将需要的item模型化，来控制获得的站点数据，比如我们要获得站点的名字，url和网站描述，我们定义这三种属性的域。要做到这点，我们编辑在quotes目录下的items.py文件，我们的Item类将会是这样

import scrapy

class QuotesItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    text=scrapy.Field()  #创建文本字段
    author=scrapy.Field() # 创建作者字段
    tags=scrapy.Field()  # 创建标签字段

（5）：pipeline类解析

import pymongo
from scrapy.exceptions import DropItem

# 要使用pipline一定要在设置中指定
class QuotesPipeline(object):
    def process_item(self, item, spider):
        return item

# 一个pipeline要么返回item 要么返回dropitem
class TextPipeline(object):
    def __init__(self):
        self.limit = 50

    def process_item(self, item, spider):
　　　　　# 这里的item为item类中的item
　　　　　# 大于50字的文本进行处理
        if item['text']:
            if len(item['text']) > self.limit:
                item['text'] = item['text'][0:self.limit].rstrip() + '...'
                return item
        else:
            return DropItem('Missing Text')

# 添加数据库的操作
class MongoPipeline(object):
    def __init__(self, mongo_url, mongo_db):
　　　　 # 初始化数据库
        self.mongo_url = mongo_url
        self.mongo_db = mongo_db

　　 # 该类方法可以从设置中读取数据
    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            # 从设置里面获取数据库的设置信息
            mongo_url=crawler.settings.get('MONGO_URL'),
            mongo_db=crawler.settings.get('MONGO_DB')
        )

    def open_spider(self, spider):  # 启动爬虫时做的操作
　　　　 # 初始化数据库
        self.client = pymongo.MongoClient(self.mongo_url)
        self.db = self.client[self.mongo_db]
　　 # 处理item的方法，必须实现返回item或者dropitem
    def process_item(self, item, spider):
        name = item.__class__.__name__  # item的名称
        self.db[name].insert(dict(item))
        return item

    def close_spider(self, spider):
        self.client.close()  # 结束爬虫时关闭数据库

（6）：运行

scrapy crawl quotespider。