0.Python 爬蟲之Scrapy入門實踐指南（Scrapy基礎知識）

目錄

• 0.0、Scrapy基礎
• 0.一、Scrapy 框架圖
• 0.二、Scrapy主要包括瞭如下組件：
• 0.三、Scrapy簡單示例以下：
• 0.四、Scrapy運行流程以下：
• 0.五、還有什麼？
• 0.六、下一步是什麼？

0.0、Scrapy基礎

Python2：適合爬取非中文

Python3：適合爬取中文

Scrapy是一種快速的高級Web爬行和Web抓取框架，用於抓取網站並從其頁面中提取結構化數據。它可用於各類用途，從數據挖掘到監控和自動化測試。

0.一、Scrapy 框架圖

0.二、Scrapy主要包括瞭如下組件：

• 引擎(Scrapy): 用來處理整個系統的數據流處理, 觸發事務(框架核心)
• 調度器(Scheduler): 用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 能夠想像成一個URL（抓取網頁的網址或者說是連接）的優先隊列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址
• 下載器(Downloader): 用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是創建在twisted這個高效的異步模型上的)
• 爬蟲(Spiders): 爬蟲是主要幹活的, 用於從特定的網頁中提取本身須要的信息, 即所謂的實體(Item)。用戶也能夠從中提取出連接,讓Scrapy繼續抓取下一個頁面
• 項目管道(Pipeline): 負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證明體的有效性、清除不須要的信息。當頁面被爬蟲解析後，將被髮送到項目管道，並通過幾個特定的次序處理數據。
• 下載器中間件(Downloader Middlewares): 位於Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。
• 爬蟲中間件(Spider Middlewares): 介於Scrapy引擎和爬蟲之間的框架，主要工做是處理蜘蛛的響應輸入和請求輸出。
• 調度中間件(Scheduler Middewares): 介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。

0.三、Scrapy簡單示例以下：

咱們將以最簡單的方式運行蜘蛛，它在將訪問並獲取 http://quotes.toscrape.com上的名言（文本）、做者 ：

import scrapy


class QuotesSpider(scrapy.Spider):
    name = 'quotes'
    start_urls = [
        'http://quotes.toscrape.com/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
            }

        next_page = response.css('li.next a::attr("href")').get()

        if next_page:
            yield response.follow(response.urljoin(next_page), self.parse)

將以上代碼放在一個文本文件中，將其命名爲quotes_spider.py ，並使用 如下命令運行蜘蛛：

scrapy runspider quotes_spider.py -o quotes.json

運行上述命令後，代碼將在命令運行的目錄下建立一個名爲quotes.json的文件，該文件包含JSON格式的列表，其中包含文本和做者，以下所示（爲了更好的可讀性，此處從新格式化）：

[
  {
    "text": "\u201cThe world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.\u201d",
    "author": "Albert Einstein"
  },
  {
    "text": "\u201cIt is our choices, Harry, that show what we truly are, far more than our abilities.\u201d",
    "author": "J.K. Rowling"
  },
  {
    "text": "\u201cThere are only two ways to live your life. One is as though nothing is a miracle. The other is as though everything is a miracle.\u201d",
    "author": "Albert Einstein"
  },
  ...省略97條...
 ]

0.四、Scrapy運行流程以下：

當咱們運行「scrapy runspider quotes_spider.py」命令時，Scrapy會查找Spider的定義並經過其爬蟲引擎運行它；

經過向start_urls 屬性中定義的URL發出請求（在上述示例中即：start_urls = ['http://quotes.toscrape.com/']）開始爬行，並調用默認回調方法parse，將響應對象做爲參數進行傳遞；

在parse回調方法中，咱們使用CSS Selector循環遍歷quote元素，並將提取的名言文本和做者生成Python dict，除此以外咱們還查找指向下一頁的連接，將得到的下一頁連接再次以一樣的方式進行請求處理；

在這裏，咱們能夠看到Scrapy的一個主要優勢：請求是 異步調度與處理的。

這意味着Scrapy不須要等待請求完成和處理，它能夠在此期間發送另外一個請求或執行其餘操做。

這也意味着即便某些請求失敗或在處理錯誤時發生錯誤，其餘請求也能夠繼續運行。

雖然這使得咱們可以進行很是快速的爬網（以容錯的方式同時發送多個併發請求），但Scrapy還能夠經過一些設置讓咱們的蜘蛛以更加紳士的方式去爬網。

咱們能夠執行如下操做：在每一個請求之間設置下載延遲，限制每一個域或每一個IP的併發請求數量，甚至使用自動限制擴展，以嘗試自動解決這些問題。

注意：咱們在這裏使用的是Feed導出生成JSON文件，除此以外咱們還能夠輕鬆更改導出格式（例如XML或CSV），存儲於後端服務（例如FTP或Amazon S3），還能夠編寫 item pipeline 用以將 items 存儲在數據庫中。

運行流程小結：

1. 首先，引擎從調度器中取出一個連接(URL)用於接下來的抓取；
2. 引擎把URL封裝成一個請求(Request)傳給下載器，下載器把資源下載下來，並封裝成應答包(Response)；
3. 而後，爬蟲解析Response；
4. 如果解析出實體（Item），則交給實體管道進行進一步的處理；
5. 如果解析出的是連接（URL），則把URL交給Scheduler等待抓取。

0.五、還有什麼？

經過上述實踐，咱們已經瞭解瞭如何使用Scrapy從網站中提取和存儲項目，但這只是表面。

Scrapy提供了許多強大的功能，能夠幫助咱們輕鬆高效地進行抓取，例如：

1. 內置支持使用擴展的CSS選擇器和XPath表達式，讓咱們能夠高效地從HTML / XML源代碼中選擇和提取數據，並使用正則表達式提取輔助方法；

2. 提供交互式Shell控制檯（支持IPython），用於嘗試使用CSS和XPath表達式來抓取數據，在編寫或調試蜘蛛時很是有用；

3. 內置支持以多種格式（JSON，CSV，XML）生成Feed導出並將其存儲在多個後端服務（FTP、S三、數據庫、本地文件系統）中；

4. 強大的編碼支持和自動檢測，用於處理外部，非標準和損壞的編碼聲明；

5. 強大的可擴展性支持，容許使用Signals（信號）和定義良好的API（中間件，擴展和 管道）插入本身的自定義功能；

6. 諸多的內置擴展和中間件用於處理：

   1. Cookie和會話處理
   2. HTTP功能，如壓縮，身份驗證，緩存
   3. User-Agent 代理請求
   4. robots.txt
   5. 爬行深度限制...

7. 一個Telnet控制檯，用於鏈接到Scrapy進程內運行的Python控制檯，用以調試爬蟲；

8. 還有其餘好東西，好比可重複使用的蜘蛛，能夠從Sitemaps（站點地圖：網站管理員向搜索引擎通知可用於爬行的網站頁面的一種簡單方法。）和XML / CSV Feed中抓取網站，自動下載與抓取項目相關聯的圖像（或任何其餘媒體）的媒體管道，緩存DNS解析器等等！

0.六、下一步是什麼？

接下來的步驟是安裝Scrapy， 按照教程學習如何建立一個完整的Scrapy項目。感謝加入社區，謝謝你們的關注！

原文連接：

0.Python 爬蟲之Scrapy入門實踐指南（Scrapy基礎知識）

OpsRoad（運維之路社區）

（完）