Scrapy 框架入門簡介

Scrapy 框架

Scrapy是用純Python實現一個爲了爬取網站數據、提取結構性數據而編寫的應用框架，用途很是普遍。

框架的力量，用戶只須要定製開發幾個模塊就能夠輕鬆的實現一個爬蟲，用來抓取網頁內容以及各類圖片，很是之方便。

Scrapy 使用了 Twisted'twɪstɪd異步網絡框架來處理網絡通信，能夠加快咱們的下載速度，不用本身去實現異步框架，而且包含了各類中間件接口，能夠靈活的完成各類需求。

Scrapy架構圖(綠線是數據流向)：

Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通信，信號、數據傳遞等。

Scheduler(調度器): 它負責接受引擎發送過來的Request請求，並按照必定的方式進行整理排列，入隊，當引擎須要時，交還給引擎。

Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的全部Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

Spider（爬蟲）：它負責處理全部Responses,從中分析提取數據，獲取Item字段須要的數據，並將須要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

Item Pipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行後期處理（詳細分析、過濾、存儲等）的地方.

Downloader Middlewares（下載中間件）：你能夠看成是一個能夠自定義擴展下載功能的組件。

Spider Middlewares（Spider中間件）：你能夠理解爲是一個能夠自定擴展和操做引擎和Spider中間通訊的功能組件（好比進入Spider的Responses;和從Spider出去的Requests）

Scrapy的運做流程

代碼寫好，程序開始運行...

1 引擎：Hi！Spider, 你要處理哪個網站？

2 Spider：老大要我處理xxxx.com。

3 引擎：你把第一個須要處理的URL給我吧。

4 Spider：給你，第一個URL是xxxxxxx.com。

5 引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

6 調度器：好的，正在處理你等一下。

7 引擎：Hi！調度器，把你處理好的request請求給我。

8 調度器：給你，這是我處理好的request

9 引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

10 下載器：好的！給你，這是下載好的東西。（若是失敗：sorry，這個request下載失敗了。而後引擎告訴調度器，這個request下載失敗了，你記錄一下，咱們待會兒再下載）

11 引擎：Hi！Spider，這是下載好的東西，而且已經按照老大的下載中間件處理過了，你本身處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）

12 Spider：（處理完畢數據以後對於須要跟進的URL），Hi！引擎，我這裏有兩個結果，這個是我須要跟進的URL，還有這個是我獲取到的Item數據。

13 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是須要跟進URL你幫我處理下。而後從第四步開始循環，直到獲取完老大須要所有信息。

14 管道``調度器：好的，如今就作！

注意！只有當調度器中不存在任何request了，整個程序纔會中止，（也就是說，對於下載失敗的URL，Scrapy也會從新下載。）

---

製做 Scrapy 爬蟲 一共須要4步：

1. 新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目
2. 明確目標 （編寫items.py）：明確你想要抓取的目標
3. 製做爬蟲 （spiders/xxspider.py）：製做爬蟲開始爬取網頁
4. 存儲內容 （pipelines.py）：設計管道存儲爬取內容

---

Scrapy的安裝介紹

Scrapy框架官方網址：http://doc.scrapy.org/en/latest

Scrapy中文維護站點：http://scrapy-chs.readthedocs...

Windows 安裝方式

Python 2 / 3
升級pip版本：pip install --upgrade pip
經過pip 安裝 Scrapy 框架pip install Scrapy

Ubuntu 須要9.10或以上版本安裝方式

Python 2 / 3
安裝非Python的依賴 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
經過pip 安裝 Scrapy 框架 sudo pip install scrapy
安裝後，只要在命令終端輸入 scrapy，提示相似如下結果，表明已經安裝成功

具體Scrapy安裝流程參考：http://doc.scrapy.org/en/late... 裏面有各個平臺的安裝方法

---

入門案例

學習目標

• 建立一個Scrapy項目
• 定義提取的結構化數據(Item)
• 編寫爬取網站的 Spider 並提取出結構化數據(Item)
• 編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)

一. 新建項目(scrapy startproject)

在開始爬取以前，必須建立一個新的Scrapy項目。進入自定義的項目目錄中，運行下列命令：

scrapy startproject mySpider

其中， mySpider 爲項目名稱，能夠看到將會建立一個 mySpider 文件夾，目錄結構大體以下：

下面來簡單介紹一下各個主要文件的做用：

scrapy.cfg ：項目的配置文件

mySpider/ ：項目的Python模塊，將會從這裏引用代碼

mySpider/items.py ：項目的目標文件

mySpider/pipelines.py ：項目的管道文件

mySpider/settings.py ：項目的設置文件

mySpider/spiders/ ：存儲爬蟲代碼目錄

2、明確目標(mySpider/items.py)

咱們打算抓取：http://www.itcast.cn/channel/... 網站裏的全部講師的姓名、職稱和我的信息。

1. 打開mySpider目錄下的items.py
2. Item 定義結構化數據字段，用來保存爬取到的數據，有點像Python中的dict，可是提供了一些額外的保護減小錯誤。
3. 能夠經過建立一個 scrapy.Item 類， 而且定義類型爲
   scrapy.Field的類屬性來定義一個Item（能夠理解成相似於ORM的映射關係）。

4. 接下來，建立一個ItcastItem 類，和構建item模型（model）。

   import scrapy

   class ItcastItem(scrapy.Item):

   name = scrapy.Field()
      level = scrapy.Field()
      info = scrapy.Field()

3、製做爬蟲 （spiders/itcastSpider.py）

爬蟲功能要分兩步：

1. 爬數據

在當前目錄下輸入命令，將在mySpider/spider目錄下建立一個名爲itcast的爬蟲，並指定爬取域的範圍：
scrapy genspider itcast "itcast.cn"
打開 mySpider/spider目錄裏的 itcast.py，默認增長了下列代碼:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

其實也能夠由咱們自行建立itcast.py並編寫上面的代碼，只不過使用命令能夠免去編寫固定代碼的麻煩

要創建一個Spider， 你必須用scrapy.Spider類建立一個子類，並肯定了三個強制的屬性 和 一個方法。

name = "" ：這個爬蟲的識別名稱，必須是惟一的，在不一樣的爬蟲必須定義不一樣的名字。

allow_domains = [] 是搜索的域名範圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

start_urls = () ：爬取的URL元祖/列表。爬蟲從這裏開始抓取數據，因此，第一次下載的數據將會從這些urls開始。其餘子URL將會從這些起始URL中繼承性生成。

parse(self, response) ：解析的方法，每一個初始URL完成下載後將被調用，調用的時候傳入從每個URL傳回的Response對象來做爲惟一參數，主要做用以下：

負責解析返回的網頁數據(response.body)，提取結構化數據(生成item)
生成須要下一頁的URL請求。
將start_urls的值修改成須要爬取的第一個url

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

修改parse()方法

def parse(self, response):
    filename = "teacher.html"
    open(filename, 'w').write(response.body)

而後運行一下看看，在mySpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的惟一爬蟲名。

運行以後，若是打印的日誌出現 [scrapy] INFO: Spider closed (finished)，表明執行完成。 以後當前文件夾中就出現了一個 teacher.html 文件，裏面就是咱們剛剛要爬取的網頁的所有源代碼信息。

**注意，Python2.x默認編碼環境是ASCII，當和取回的數據編碼格式不一致時，可能會形成亂碼；
咱們能夠指定保存內容的編碼格式，通常狀況下，咱們能夠在代碼最上方添加：**

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

這三行代碼是Python2.x裏解決中文編碼的萬能鑰匙，通過這麼多年的吐槽後Python3學乖了，默認編碼是Unicode了...(祝你們早日擁抱Python3)
2. 取數據

爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

是否是一目瞭然？直接上XPath開始提取數據吧。

咱們以前在mySpider/items.py 裏定義了一個ItcastItem類。 這裏引入進來

from mySpider.items import ItcastItem

而後將咱們獲得的數據封裝到一個 ItcastItem 對象中，能夠保存每一個老師的屬性：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老師信息的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 將咱們獲得的數據封裝到一個 `ItcastItem` 對象
        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返回的是包含一個元素的列表
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        items.append(item)

    # 直接返回最後數據
    return items
咱們暫時先不處理管道，後面會詳細介紹。
保存數據

scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，，命令以下：

json格式，默認爲Unicode編碼

scrapy crawl itcast -o teachers.json

json lines格式，默認爲Unicode編碼

scrapy crawl itcast -o teachers.jsonl

csv 逗號表達式，可用Excel打開

scrapy crawl itcast -o teachers.csv

xml格式

scrapy crawl itcast -o teachers.xml

思考

若是將代碼改爲下面形式，結果徹底同樣。

請思考 yield 在這裏的做用：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老師信息的集合
    #items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 將咱們獲得的數據封裝到一個 `ItcastItem` 對象
        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返回的是包含一個元素的列表
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        #items.append(item)

        #將獲取的數據交給pipelines
        yield item

    # 返回數據，不通過pipeline
    #return items

思考事後 下面給出
Python中yield的解釋