Scrapy⼊门教程
Scrapy 是⽤ Python 实现的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。
Scrapy 常应⽤在包括数据挖掘，信息处理或存储历史数据等⼀系列的程序中。
通常我们可以很简单的通过 Scrapy 框架实现⼀个爬⾍，抓取指定⽹站的内容或图⽚。
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Spide r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的运作流程
代码写好，程序开始运⾏...
1 引擎：Hi！Spider, 你要处理哪⼀个⽹站？
2 Spider：⽼⼤要我处理xxxx。
3 引擎：你把第⼀个需要处理的URL给我吧。
4 Spider：给你，第⼀个URL是xxxxxxx。
5 引擎：Hi！调度器，我这有request请求你帮我排序⼊队⼀下。
6 调度器：好的，正在处理你等⼀下。
7 引擎：Hi！调度器，把你处理好的request请求给我。
8 调度器：给你，这是我处理好的request
9 引擎：Hi！下载器，你按照⽼⼤的下载中间件的设置帮我下载⼀下这个request请求
10 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录⼀下，我们待会⼉再下载）
11 引擎：Hi！Spider，这是下载好的东西，并且已经按照⽼⼤的下载中间件处理过了，你⾃⼰处理⼀下（注意！这⼉responses默认是交给def parse()这个函数处理的）
12 Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这⾥有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13 引擎：Hi ！管道我这⼉有个item你帮我处理⼀下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完⽼⼤需要全部信息。
14 管道调度器：好的，现在就做！
注意！只有当调度器中不存在任何request了，整个程序才会停⽌，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）
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
安装
Windows 安装⽅式
升级 pip 版本：
pip install --upgrade pip
盾灵广告联盟系统
通过 pip 安装 Scrapy 框架:
pip install Scrapy
Ubuntu 安装⽅式
安装⾮ Python 的依赖:
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通过 pip 安装 Scrapy 框架：
sudo pip install scrapy
Mac OS 安装⽅式
对于Mac OS系统来说，由于系统本⾝会引⽤⾃带的python2.x的库，因此默认安装的包是不能被删除的，但是你⽤python2.x来安装Scrapy会报错，⽤python3.x来安装也是报错，我最终没有到直接安装Scrapy的⽅法，所以我⽤另⼀种安装⽅式来说⼀下安装步骤，解决的⽅式是就是使⽤virtualenv来安装。$ sudo pip install virtualenv
$ virtualenv scrapyenv
$ cd scrapyenv
$ source bin/activate
$ pip install Scrapy
安装后，只要在命令终端输⼊ scrapy，提⽰类似以下结果，代表已经安装成功。
⼊门案例
学习⽬标
python入门教程 下载
创建⼀个Scrapy项⽬
定义提取的结构化数据(Item)
zblog网站编写爬取⽹站的 Spider 并提取出结构化数据(Item)
编写 Item Pipelines 来存储提取到的Item(即结构化数据)
⼀. 新建项⽬(scrapy startproject)
在开始爬取之前，必须创建⼀个新的Scrapy项⽬。进⼊⾃定义的项⽬⽬录中，运⾏下列命令：
scrapy startproject mySpider
其中， mySpider 为项⽬名称，可以看到将会创建⼀个 mySpider ⽂件夹，⽬录结构⼤致如下：
下⾯来简单介绍⼀下各个主要⽂件的作⽤：
mySpider/
scrapy.cfg
mySpider/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
这些⽂件分别是:
scrapy.cfg: 项⽬的配置⽂件。
mySpider/: 项⽬的Python模块，将会从这⾥引⽤代码。
mySpider/items.py: 项⽬的⽬标⽂件。
mySpider/pipelines.py: 项⽬的管道⽂件。
mySpider/settings.py: 项⽬的设置⽂件。
mySpider/spiders/: 存储爬⾍代码⽬录。
⼆、明确⽬标(mySpider/items.py)
我们打算抓取 www.itcast/channel/teacher.shtml ⽹站⾥的所有讲师的姓名、职称和个⼈信息。
打开 mySpider ⽬录下的 items.py。
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）。
接下来，创建⼀个 ItcastItem 类，和构建 item 模型（model）。
import scrapy
class ItcastItem(scrapy.Item):
name = scrapy.Field()
title = scrapy.Field()
info = scrapy.Field()
三、制作爬⾍（spiders/itcastSpider.py）
爬⾍功能要分两步：
1. 爬数据
在当前⽬录下输⼊命令，将在mySpider/spider⽬录下创建⼀个名为itcast的爬⾍，并指定爬取域的范围：
scrapy genspider itcast "itcast"
打开 mySpider/spider⽬录⾥的 itcast.py，默认增加了下列代码:
import scrapy
class ItcastSpider(scrapy.Spider):
name = "itcast"
allowed_domains = ["itcast"]
start_urls = (
'www.itcast/',
)
def parse(self, response):
pass
其实也可以由我们⾃⾏创建itcast.py并编写上⾯的代码，只不过使⽤命令可以免去编写固定代码的⿇烦
要建⽴⼀个Spider，你必须⽤scrapy.Spider类创建⼀个⼦类，并确定了三个强制的属性和⼀个⽅法。
name = "" ：这个爬⾍的识别名称，必须是唯⼀的，在不同的爬⾍必须定义不同的名字。
allow_domains = [] 是搜索的域名范围，也就是爬⾍的约束区域，规定爬⾍只爬取这个域名下的⽹页，不存在的URL会被忽略。
start_urls = () ：爬取的URL元祖/列表。爬⾍从这⾥开始抓取数据，所以，第⼀次下载的数据将会从这些urls开始。其他⼦URL将会从这些起始URL中继承性⽣成。
parse(self, response) ：解析的⽅法，每个初始URL完成下载后将被调⽤，调⽤的时候传⼊从每⼀个URL传回的Response对象来作为唯⼀参数，主要作⽤如下：
负责解析返回的⽹页数据(response.body)，提取结构化数据(⽣成item)
⽣成需要下⼀页的URL请求。
将start_urls的值修改为需要爬取的第⼀个url
start_urls = ("www.itcast/channel/teacher.shtml",)
修改parse()⽅法
def parse(self, response):
filename = "teacher.html"
open(filename, 'w').write(response.body)
然后运⾏⼀下看看，在mySpider⽬录下执⾏：
scrapy crawl itcast
是的，就是 itcast，看上⾯代码，它是 ItcastSpider 类的 name 属性，也就是使⽤ scrapy genspider命令的唯⼀爬⾍名。
运⾏之后，如果打印的⽇志出现 [scrapy] INFO: Spider closed (finished)，代表执⾏完成。之后当前⽂件夹中就出现了⼀个 teacher.html ⽂件，⾥⾯就是我们刚刚要爬取的⽹页的全部源代码信息。
注意: Python2.x默认编码环境是ASCII，当和取回的数据编码格式不⼀致时，可能会造成乱码；我们可以指定保存内容的编码格式，⼀般情况下，我们可以在代码最上⽅添加
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
这三⾏代码是 Python2.x ⾥解决中⽂编码的，经过这么多年的吐槽后 Python3 学乖了，默认编码是Unicode了...(祝⼤家早⽇拥抱Python3)
2. 取数据
爬取整个⽹页完毕，接下来的就是的取过程了，⾸先观察页⾯源码：
<div class="li_txt">
<h3>  xxx  </h3>
<h4> xxxxx </h4>
<p> xxxxxxxx </p>
是不是⼀⽬了然？直接上 XPath 开始提取数据吧。
xpath ⽅法，我们只需要输⼊的 xpath 规则就可以定位到相应 html 标签节点，详细内容可以查看。
不会 xpath 语法没关系，Chrome 给我们提供了⼀键获取 xpath 地址的⽅法（右键->检查->copy->copy xpath），如下图:
这⾥给出⼀些 XPath 表达式的例⼦及对应的含义:
/html/head/title: 选择HTML⽂档中 <head> 标签内的 <title> 元素
/html/head/title/text(): 选择上⾯提到的 <title> 元素的⽂字
//td: 选择所有的 <td> 元素
//div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素
举例我们读取⽹站 www.itcast/ 的⽹站标题，修改 itcast.py ⽂件代码如下：：# -*- coding: utf-8 -*-
import scrapy
painkillers
# 以下三⾏是在 Python2.x版本中解决乱码问题，Python3.x 版本的可以去掉
import sys
reload(sys)
sys.setdefaultencoding("utf-8")question中的u发什么音标
class Opp2Spider(scrapy.Spider):
name = 'itcast'
allowed_domains = ['itcast']
start_urls = ['www.itcast/']
def parse(self, response):
# 获取⽹站标题
context = response.xpath('/html/head/title/text()')
# 提取⽹站标题
title = act_first()
print(title)
pass
执⾏以下命令：
$ scrapy crawl itcast
...
...
传智播客官⽹-好⼝碑IT培训机构,⼀样的教育，不⼀样的品质
...
...
我们之前在 mySpider/items.py ⾥定义了⼀个 ItcastItem 类。这⾥引⼊进来:
from mySpider.items import ItcastItem
然后将我们得到的数据封装到⼀个 ItcastItem 对象中，可以保存每个⽼师的属性：from mySpider.items import ItcastItem
def parse(self, response):
#open("teacher.html","wb").write(response.body).close()
# 存放⽼师信息的集合
items = []
for each in response.xpath("//div[@class='li_txt']"):
# 将我们得到的数据封装到⼀个 `ItcastItem` 对象
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返回的是包含⼀个元素的列表
item['name'] = name[0]
item['title'] = title[0]
item['info'] = info[0]
items.append(item)
# 直接返回最后数据
return items
我们暂时先不处理管道，后⾯会详细介绍。
保存数据
scrapy保存信息的最简单的⽅法主要有四种，-o 输出指定格式的⽂件，命令如下：scrapy crawl itcast -o teachers.json
json lines格式，默认为Unicode编码
scrapy crawl itcast -o teachers.jsonl
csv 逗号表达式，可⽤Excel打开
scrapy crawl itcast -o teachers.csv
xml格式
scrapy crawl itcast -l
思考
如果将代码改成下⾯形式，结果完全⼀样。
请思考 yield 在这⾥的作⽤()：
# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import ItcastItem
# 以下三⾏是在 Python2.x版本中解决乱码问题，Python3.x 版本的可以去掉
import sys
底部广告代码reload(sys)
sys.setdefaultencoding("utf-8")
class Opp2Spider(scrapy.Spider):
name = 'itcast'
allowed_domains = ['itcast']
start_urls = ("www.itcast/channel/teacher.shtml",)    def parse(self, response):
#open("teacher.html","wb").write(response.body).close()        # 存放⽼师信息的集合
items = []
for each in response.xpath("//div[@class='li_txt']"):
# 将我们得到的数据封装到⼀个 `ItcastItem` 对象
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返回的是包含⼀个元素的列表
item['name'] = name[0]
item['title'] = title[0]
item['info'] = info[0]
items.append(item)
# 直接返回最后数据
return items

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。