scarpy初识

Scrapy是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。 可以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。Scrapy的一个最主要的优势: 请求(request)是被异步调度和处理的。 这意味着，Scrapy并不需要等待一个请求(request)完成及处理，在此同时， 也发送其他请求或者做些其他事情。 这也意味着，当有些请求失败或者处理过程中出现错误时，其他的请求也能继续处理。在允许您可以以非常快的速度进行爬取时(以容忍错误的方式同时发送多个request), Scrapy也通过 一些设置来允许您控制其爬取的方式。 例如，您可以为两个request之间设置下载延迟， 限制单域名(domain)或单个IP的并发请求量，甚至可以 使用自动限制插件 来自动处理这些问题。

scrapy项目创建及目录结构

在开始爬取之前，您必须创建一个新的Scrapy项目。 进入您打算存储代码的目录中，运行下列命令:scrapy startproject projectname

创建项目

在文件夹内可以看到该项目的目录结构

目录结构

我们可以看到这里生成了一个与项目名称同名的文件夹，该文件夹下有一个同名文件夹和一个scrapy.cfg文件。

• 同名文件夹放置爬虫项目核心代码
  • __init__.py为项目的初始化文件，主要写的是一些项目的初始化信息。
  • items.py定义我们要爬取信息的数据容器，相当于java的类。
  • middlewares.pySpider中间件，在这个文件里我们可以定义相关的方法，用以处理蜘蛛的响应输入和请求输出。
  • pipelines.py要启用此文件的话必须要在settings.py里配置一下ITEM_PIPELINES，主要为对数据的进一步加工和处理，例如将数据保存为json，csv文件，或者保存到数据库中等等。
  • settings.py这是本项目的配置文件，里面注释着很多常用的配置项，我们通过在其他文件中引入本文件的方式来使用这些配置项。
• scrapy.cfg为爬虫项目的配置文件

使用项目命令genspider创建Spider

根据创建项目时命令行提示进入项目文件夹内，运行scrapy genspider example example.com
这里要提到scrapy的命令，它分为全局命令和项目命令，使用scrapy <command> -h可以查看详细的命令信息

• 全局命令
  • fetch主要来显示爬虫爬取的过程，用法scrapy fetch http://www.baidu.com。如果在scrapy目录之外使用该命令，会调用默认的爬虫来进行网页爬取。如果在scrapy某个项目目录内使用该命令，则会调用该项目中的爬虫进行网页的爬取
  • runspider可以实现不依托scrapy的爬虫项目直接运行一个爬虫文件
  • settings查看scrapy对应的配置信息，项目内查看项目的配置信息，项目目录外查看是scrapy默认配置信息
  • shell可以启动scrapy的交互终端。它可以在不启动scrapy爬虫的情况下，对网站响应进行调试。比如xpath或者css提取内容，可以现在这里调试成功后再写入到item中。
  • startproject创建项目
  • version显示scrapy的版本信息
  • view实现下载某个网页并用浏览器查看
• 项目命令
  -bench测试本地硬件的性能
  -genspider创建scrapy爬虫文件
  -check实现对某个爬虫文件进行合同检查。爬虫的测试比较麻烦，所以在scrapy中使用合同(contract)的方式对爬虫进行测试
  -crawl启动爬虫，格式为scrapy crawl 爬虫名
  -list列出当前可用的爬虫文件
  -edit可以直接打开编辑器对爬虫文件进行编辑
  -parse实现获取指定的url网址，并使用对应的爬虫文件进行处理和分析