Python scrapy框架快速入门
1. 什么是scrapy？
其官网是这样简述的，“A Fast & Powerful Scraping &Crawling Framework ”, 并且其底层以twisted作为网络架构( Python实现的基于事件驱动的网络引擎框架)，所以爬取效率及性能出色。
定义·：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。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试
2. scrapy模块执行与通信流程
2.1 流程图：
在这里插入图片描述
2.2 各大组件的作用：
引擎 (Scrapy Engine)：用来处理整个系统的数据流，触发事物（框架核心）
调度器 (Scheduler)：用来接收引擎发送的请求，压入请求队列中，并在引擎再次请求的时候返回，可以想象成一个url（待爬取网页的url）的优先队列，由他决定下一个要抓取的网址是什么，同时去除重复的网址
下载器 (Downloader)：顾名思义，用于下载网页代码，并将结果返回给spider
爬虫 (Spiders): 蜘蛛呢，就是执行者，用于解析网页中的信息，即实体（Item）
项目管 道(Pipeline): 负责处理爬虫从网页中抽取的实体，主要功能是持久化实体，验证实体的有效性，清除不需要的信息。当爬虫被解析后，将被发送至项目管道，并经过几个特定次序来处理数据
下载中间件 (Downloader Middlewares): 位于Engine及Spider之间的框架，主要工作是处理scrapy engine与Downloader之间的请求及响应
爬虫中间件 (Spider Middlewares): 位于Engine及Spider之间的框架，主要工作是处理scrapy engine与spider之间的响应输入及请求输出
调度中间件 (Schedule Middlewares): 介于scrapy engine及scheduler之间的中间件，处理从scrapy engine发送到scheduler的请求响应
2.3 是不是感觉一头雾水，那我们直接上过程就很清楚啦
3. scrapy的基本使用
3.1 安装
# 这里我们用conda创建一个名为rawling_py36的虚拟环境
conda create --name crawling_py36 python=3.6
# 进入环境
activate crawling_py36
# 安装scrapy
conda install scrapy
# 退出当前环境(windows)
deactivate
说明：也可以使用pip install scrapy命令进行安装， 但是在windows平台下， scrapy依赖pypiwin32模块，在执行pip install scrapy命令前，请先执行pip install pypiwin32
3.2 开始（这里以爬取糗事百科段子为例）
a. 新建项目
# 新建一个文件夹 并进入文件夹
mkdir spider_projects
cd ./spider_projects
# 进入虚拟环境
activate crawling_py36
# 新建爬虫项目,
scrapy startproject qsbk
#提示成功
b.新建爬虫
在这里插入图片描述
其域名为qiushibaike.com，我们这里根据域名新建一个spider
# 一定要在项目文件夹下
cd qsbk
scrapy genspider qsbk_spider qiushibaike.com
成功之后，其文件树结构为：
在这里插入图片描述
c. 分析网页结构（https://www.qiushibaike.com/text/）
在这里插入图片描述
那么红圈里的div就是当前页的所有段子信息，我们使用xpath进行解析，那么每一个段子的xpath语法为 //div[@id='content-left']/div[contains(@class,'article')]
在这里插入图片描述
提取下一页的地址的xpath语法为 //ul[@class='pagination']/li[last()]/a/@href
在这里插入图片描述
d. 开始
爬虫配置 (settings.py):
'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：579817333
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36',
}
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'qsbk.pipelines.QsbkPipeline': 300,
}
解析数据（qsbk_spider.py）：
# -*- coding: utf-8 -*-
import scrapy
from ..items import QsbkItem
class QsbkSpiderSpider(scrapy.Spider):
name = 'qsbk_spider'
allowed_domains = ['qiushibaike.com']
start_urls = ['https://www.qiushibaike.com/text/page/1/']
base_domain = "https://www.qiushibaike.com"
def parse(self, response):
# 获取所有段子信息
texts = response.xpath("//div[@id='content-left']/div[contains(@class, 'article')]")
# 提取单个段子信息
for text in texts:
author_info = text.xpath("./div[contains(@class,'author')]")
head_img = 'http:' + author_info.xpath(".//img/@src").get().strip()
author_name = author_info.xpath(".//h2/text()").get().strip()
content_list = text.xpath(".//div[@class='content']/span/text()").getall()
content = ''.join(content_list).strip()
article_item = QsbkItem(author_name=author_name, head_img=head_img, content=content)
yield article_item
# 下一页的地址
next_page_url = response.xpath("//ul[@class='pagination']/li[last()]/a/@href").get()
if next_page_url:
yield scrapy.Request(url=self.base_domain+next_page_url, callback=self.parse)
else:
return
结构化实体（items.py）：
# -*- coding: utf-8 -*-
'''
遇到问题没人解答？小编创建了一个Python学习交流QQ群：579817333
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class QsbkItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
author_name = scrapy.Field()
head_img = scrapy.Field()
content = scrapy.Field()
持久化数据（pipelines.py）:
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
# import json
# class QsbkPipeline(object):
#
# def open_spider(self, spider):
# print('start crawling....')
# self.file = open('qsbk.json','w' , encoding='utf-8')
#
# def process_item(self, item, spider):
# item_json = json.dumps(dict(item), ensure_ascii=False)
# self.file.write(item_json+'\n')
# return item
#
# def close_spider(self, spider):
# self.file.close()
# print('stop crawling.....')
# 一次性写入
# from scrapy.exporters import JsonItemExporter, JsonLinesItemExporter
# class QsbkPipeline(object):
#
# def open_spider(self, spider):
# print('start crawling....')
# self.file = open('qsbk.json', 'wb')
# self.exporter = JsonItemExporter(self.file, ensure_ascii=False)
# self.exporter.start_exporting()
#
# def process_item(self, item, spider):
# self.exporter.export_item(item)
#
# def close_spider(self, spider):
# self.exporter.finish_exporting()
# self.file.close()
# print('stop crawling.....')
# 分行写入，（在数据量很大的时候推荐使用）
from scrapy.exporters import JsonLinesItemExporter
class QsbkPipeline(object):
def open_spider(self, spider):
print('start crawling....')
self.file = open('qsbk.json', 'wb')
self.exporter = JsonLinesItemExporter(self.file, ensure_ascii=False)
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
def close_spider(self, spider):
self.file.close()
print('stop crawling.....')
说明： 为了避免每次爬取使用命令行，可以在项目根目录下新建 run.py 代替命令行执行， 而scrapy也同样提供了执行cmd命令这一模块
启动爬虫（run.py）
from scrapy import cmdline
cmdline.execute("scrapy crawl qsbk_spider".split())
e.爬取结束（qsbk.json）
在这里插入图片描述
