我要偷偷的學Python，而後驚呆全部人（第十三天）

標題無心冒犯，就是以爲這個廣告挺好玩的
上面這張思惟導圖喜歡就拿走，反正我也學不了這麼多

 

文章目錄

• • 前言
  • • 歡迎來到咱們的圈子
  • 安裝scrapy
  • 什麼是scrapy
  • scrapy架構
  • pycharm體驗scrapy項目
  • • 天才第一步：建立scrapy項目
    • 天才第二步：明確目標，構建items
    • 製做爬蟲
    • 取數據

 

前言

前期回顧：我要偷偷學Python（第十二天）

第十二篇的項目還在持續更新中，哎，日理萬機雖然談不上，可是也是手忙腳亂。這不，自動錶單生成是寫完了，可是學校網絡實在是受不了啊，2G，測試不了，就只能一直擱置在那邊了。
明天就能夠去測試了，明天出學校去逛逛。

今天講scrapy框架，有很多小夥伴問我說爲何最近沒更新，實在是這個很差辦吶，安裝上就花了些功夫嘞，不過大家跟着個人安裝步驟，就不用走那麼多的彎路了。

插播一條推送：（若是是小白的話，能夠看一下下面這一段）

歡迎來到咱們的圈子

我建了一個Python學習答疑羣，有興趣的朋友能夠了解一下：這是個什麼羣

羣裏已經有一千三百多個小夥伴了哦！！！

直通羣的傳送門：傳送門

---

本系列文默認各位有必定的C或C++基礎，由於我是學了點C++的皮毛以後入手的Python，這裏也要感謝齊鋒學長送來的支持。
本系列文默認各位會百度，學習‘模塊’這個模塊的話，仍是建議你們有本身的編輯器和編譯器的，上一篇已經給你們作了推薦啦？

我要的很少，點個關注就好啦
而後呢，本系列的目錄嘛，說實話我我的比較傾向於那兩本 Primer Plus，因此就跟着它們的目錄結構吧。

本系列也會着重培養各位的自主動手能力，畢竟我不可能把全部知識點都給你講到，因此本身解決需求的能力就尤其重要，因此我在文中埋得坑請不要把它們當作坑，那是我留給大家的鍛鍊機會，請各顯神通，自行解決。

安裝scrapy

這裏我並不打算說我安裝過程當中踩了多少坑，反正你如今跟着我來作：

一、win+R，cmd，打開終端
二、

pip install pywin32
pip install pyopenssl
pip install wheel

三、打開https://www.lfd.uci.edu/~gohlke/pythonlibs/，找到twisted和lxml兩個whl文件，下載下來。

四、進入兩個文件的存放目錄下，

pip install Twisted·····
pip install lxml····

五、安裝scrapy，這裏須要引入國內源。

pip install Scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple

整完以後速度嗖嗖的。

好，當它顯示給你說success，就萬事大吉了嗎？並非這樣的。
這裏你須要作兩件事情：
一、先弄清楚你安裝在了那個Python上，若是你的電腦上只有一個Python就零擔別論了，像個人電腦上就有三個Python。
這時候：終端輸入：python --version，就能夠看到Python的版本號了。
二、在新建文件的時候，

好極，這樣就解決了pycharm上有些包沒法安裝的問題，以及有些包不FQ解決不了的問題。

好，咱們開始今天的主題：Scrapy。

什麼是scrapy

Scrapy，Python開發的一個快速、高層次的屏幕抓取和web抓取框架，用於抓取web站點並從頁面中提取結構化的數據。Scrapy用途普遍，能夠用於數據挖掘、監測和自動化測試.

牛頓說，他只是站在了巨人的肩膀上。說真的，做爲一個學C++過來的人，我尚未體驗過框架的力量，據說框架能夠定製功能，咱們只須要將咱們所須要的主要功能填充進去，即可以快速的獲得咱們想要的效果，就像把不一樣的光碟，插入DVD。

Scrapy吸引人的地方在於它是一個框架，任何人均可以根據需求方便的修改。它也提供了多種類型爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持。

scrapy架構

這張架構圖能看懂不？百度一搜基本全是這張。

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）：一個能夠自定義擴展下載功能的組件。
Spider Middlewares（Spider中間件）：一個能夠自定擴展和操做引擎和Spider中間通訊的功能組件。

注意：當只有調度器中沒剩下request的時候，整個項目的運轉纔會中止。
也就是說，若是某個任務在運行過程當中失敗了，該網址會被從新訪問。

我在網上看到一段挺形象生動的：

！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！

---

pycharm體驗scrapy項目

天才第一步：建立scrapy項目

因爲pycharm沒法直接建立scrapy項目，因此這樣操做：
一、在pycharm中打開終端，輸入scrapy startproject 項目名（好比說：Test_Scrapy）
弄完以後，刷新兩下，會出現這麼個東西：

說明建立成功了。

下面來簡單介紹- - 下各個主要文件的做用:

scrapy.cfg :項目的配置文件
test_scrapy/ :項目的Python模塊,將會從這裏引用代碼
test_scrapy/items.py :項目的目標文件
test_scrapy/pipelines.py :項目的管道文件
test_scrapy/settings.py :目的設置文件
test_scrapy/spiders/ :存儲爬蟲代碼目錄

---

天才第二步：明確目標，構建items

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。

打開test_scrapy目錄下的items.py
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。
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）。

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

class ItcastItem(scrapy.Item):
	name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

---

製做爬蟲

進入spiders目錄，終端輸入命令：

scrapy genspider itcast "itcast.cn"

將在test_scrapy/test_scrapy/spider目錄下建立一個名爲itcast的爬蟲，並指定爬取域的範圍：

打開 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

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test_scrapy/test_scrapy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。

---

取數據

爬取整個網頁完畢，接下來的就是的取過程了。

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

from test_scrapy/test_scrapy/.items import ItcastItem

好，這樣寫妥妥是要報錯的，不這樣寫又無法子，搞了半天。

from ..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 test_scrapy.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

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，這裏我採用的是csv文件

csv 逗號表達式，可用Excel打開

scrapy crawl itcast -o teachers.csv

---

最近都比較忙了些，先把這個框架走通吧，後面還要拓展再拓展，難搞哦。。。