[CP_14] Python爬虫框架01：Scrapy框架创建项

目录结构

一、Scrapy框架简介
    1. Scrapy引入
    2. Scrapy工作流程
二、搭建Scrapy框架
    1. 安装Scrapy
    2. 创建一个Scrapy项目
三、案例：利用Scrapy框架爬取某音乐排行榜信息
    1. 创建项目：musicSpide
    2. 在items.py中定义目标字段：title、artist
    3. 利用scrapy命令生成编写爬虫的主体脚本：muSpider.py
    4. 编写muSpider.py文件，运行爬虫框架获取响应数据
    5. 数据清洗，提取目标数据
四、 利用yield关键字优化数据返回机制（效率）
    1. yield关键字
    2. yield优化返回数据效率
五、piplines管道实现：对item后期处理&数据保存
    1. 编写piplines.py脚本
    2. 对管道进行ITEM_PIPELINES设置执行优先级
    3. 执行爬虫主体脚本，获取目标数据
六、自动翻页

一、Scrapy框架简介

1. Scrapy引入

Scrapy：是用Python实现爬取网站数据、提取结构性数据而编写的应用框架，用户通过定制开发几个模块就可实现爬虫功能，极大提高工作效率

2. Scrapy工作流程

• Scrapy Engine(引擎)：负责Spider、Item Pipeline、Downloader、Scheduler中间的通讯，信号和数据传递
• Scheduler(调度器)：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Engine发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine，由引擎交给Spider来处理
• Spider(爬虫)：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
• Item Pipeline(管道)：负责处理Spider中获取到的Item，并进行进行后期处理(详细分析、过虑、存储)
• Downloader Middlewares(下载中间件)：一个可自定义扩展下载功能的组件
• Spider Middlewares(Spider中间件)：一个可自定义扩展和操作引擎和Spider中间件的功能组件。如进入Spider的Responses、从Spider出去的Requests

制作Scrapy爬虫的步骤：
1）新建项目(scrapy startproject xxx)：新建一个新的爬虫项目
2）明确目标(编写items.py)：明确想要抓取的目标
3）制作爬虫(spiders/xxspider.py)：制作爬虫，开始爬取网页
4）存储内容(pipelines.py)：设计管道，存储所爬取的内容

二、搭建Scrapy框架

1. 安装Scrapy

pip install Scrapy

安装异常处理，可参看：
[Scrapy安装]error:Microsoft Visual C++ 14.0 is required.Get it with "Microsoft Visual C++ Build Tools"_解决方案

2. 创建一个Scrapy项目

在开始爬取之前，需要创建一个新的Scarpy项目。自定义一个项目目录（如：scrapyProject），然后执行命令：

scrapy startproject {项目名称}

如：scrapy startproject mySpider

执行以上命令所生成的项目目录：

以上，mySpider为项目名称，表现为创建一个"mySpider"命名的文件夹

项目文件夹下主要文件的作用：

mySpider：项目的Python模块，将会从这里引用代码
mySpider / spiders /：存储爬虫代码的目录
mySpider / spiders / items.py：项目的目标文件（决定爬取的内容）
mySpider / spiders / middlewares.py：项目的中间件
mySpider / spiders / pipelines.py：项目的管道文件
mySpider / spiders / settings.py：项目的设置文件
scrapy.cfg：项目的配置文件

三、案例：利用Scrapy框架爬取某音乐排行榜信息

描述：利用Scrapy框架，获取某音乐网站排行榜中的音乐名称、艺术家的信息，然后保存到特定文件中（如：json文件）

被测URL：http://www.htqyy.com/top/hot

第1页：http://www.htqyy.com/top/musicList/hot?pageIndex=0&pageSize=20
第2页：http://www.htqyy.com/top/musicList/hot?pageIndex=1&pageSize=20
第3页：http://www.htqyy.com/top/musicList/hot?pageIndex=2&pageSize=20

1. 创建项目：musicSpide

scrapy startproject musicSpider

2. 在items.py中定义目标字段：title、artist

items.py

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy

# 定义目标数据的字段
class MusicspiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title=scrapy.Field()    # 音乐名称
    artist=scrapy.Field()   # 艺术家

3. 利用scrapy命令生成编写爬虫的主体脚本：muSpider.py

进入项目目录：\scrapyProject\musicSpider
执行命令：

# 指定爬取域名的范围，如选用主域名
scrapy genspider muSpider "www.htqyy.com"

已在指定路径下创建好了 muSpider.py文件：

4. 编写muSpider.py文件，运行爬虫框架获取响应数据

muSpider.py

# -*- coding: utf-8 -*-
import scrapy


class MuspiderSpider(scrapy.Spider):
    name = 'muSpider'   # 爬虫可识别的名称
    allowed_domains = ['www.htqyy.com'] # 爬取域名范围
    start_urls = ['http://www.htqyy.com/top/musicList/hot?pageIndex=0&pageSize=20'] # 初始url

    # 处理响应数据的方法
    def parse(self, response):
        filename="music.html"
        data=response.body  # 获取响应内容
        open(filename,"wb").write(data) # 写入本地

执行命令：

# muSpider为以上第3步生成的爬虫主文件名
scrapy crawl muSpider

若出现异常提示：ModuleNotFoundError: No module named 'win32api'
则解决方案为：安装pywin32
操作命令：pip install pywin32

Scrapy框架运行OK，如下：

运行scrapy框架后生成所爬取的html数据文件：

5. 数据清洗，提取目标数据

利用正则提取目标字段（音乐名、艺术家）的内容，并存放到列表中，然后利用命令行调动scrapy框架运行生成存放目标内容的json文件

muSpider.py

# -*- coding: utf-8 -*-
import scrapy
import re
# 引入定义目标字段的MusicspiderItem类
from musicSpider.items import MusicspiderItem

class MuspiderSpider(scrapy.Spider):
    name = 'muSpider'   # 爬虫可识别的名称
    allowed_domains = ['www.htqyy.com'] # 爬取域名范围
    start_urls = ['http://www.htqyy.com/top/musicList/hot?pageIndex=0&pageSize=20'] # 初始url

    # 处理响应数据的方法
    def parse(self, response):
        # filename="music.html"
        data=response.body.decode() # 获取响应内容
        # open(filename,"wb").write(data)   # 写入本地
        
        items=[]    # 存放所有音乐信息的列表
        titles=re.findall(r'target="play" title="(.*?)"',data)  # 获取所有音乐名
        artists=re.findall(r'title="(.*?)" target="_blank"',data)   # 获取所有艺术家

        for i in range(0,len(titles)):
            mu_item=MusicspiderItem()   # 创建item对象
            mu_item["title"]=titles[i]  # 将title内容赋给mu_item
            mu_item["artist"]=artists[i]    # 将artist内容赋给mu_item
            
            items.append(mu_item)   # 将mu_item追加到items列表中
        return items

进入目录：\scrapyProject\musicSpider
执行命令：

# muSpider为以上第3步生成的爬虫主文件名
scrapy crawl muSpider -o music.json

执行结果：

以上，生成的json文件，其内容是二进制形式，没有展示出明文中英文字符，因此还需要对json转换处理

getResult.py

import json

with open(r'D:\CI_Env\Python_Test\Python爬虫\Scrapy框架\scrapyProject\musicSpider\music.json',"rb") as f:
    result=json.load(f)
    f.close()
print(result)

执行结果：

四、 利用yield关键字优化数据返回机制（效率）

1. yield关键字

• 列表联合return：构造完成所有的列表数据，才会将结果数据返回出去
• yield：将方法转换为一个生成器（generator），每构造成功一个item对象，都会将对应数据返回出去；占用内存少，压力相对小

generator.py

def ff1():
    list1=[]
    for i in range(1,10):
        list1.append(i)
    return list1

print(ff1())

print("------------------------------")

def ff2():
    for i in range(1,10):
        yield i
gen=ff2()
print(gen)
print(next(gen))
print(next(gen))
print(next(gen))
print(next(gen))
print(next(gen))
print(next(gen))
print(next(gen))
print(next(gen))
print(next(gen))

2. yield优化返回数据效率

muSpider.py

# -*- coding: utf-8 -*-
import scrapy
import re
# 引入定义目标字段的MusicspiderItem类
from musicSpider.items import MusicspiderItem

class MuspiderSpider(scrapy.Spider):
    name = 'muSpider'   # 爬虫可识别的名称
    allowed_domains = ['www.htqyy.com'] # 爬取域名范围
    start_urls = ['http://www.htqyy.com/top/musicList/hot?pageIndex=0&pageSize=20'] # 初始url

    # 处理响应数据的方法
    def parse(self, response):
        # filename="music.html"
        data=response.body.decode() # 获取响应内容
        # open(filename,"wb").write(data)   # 写入本地
        
        # items=[]  # 存放所有音乐信息的列表
        titles=re.findall(r'target="play" title="(.*?)"',data)  # 获取所有音乐名
        artists=re.findall(r'title="(.*?)" target="_blank"',data)   # 获取所有艺术家

        for i in range(0,len(titles)):
            mu_item=MusicspiderItem()   # 创建item对象
            mu_item["title"]=titles[i]  # 将title内容赋给mu_item
            mu_item["artist"]=artists[i]    # 将artist内容赋给mu_item
            yield mu_item
            # items.append(mu_item) # 将mu_item追加到items列表中
        # return items

执行命令：

scrapy crawl muSpider -o music2.json

执行结果：

五、piplines管道实现：对item后期处理&数据保存

管道文件：负责对item的后期处理or数据保存。以上是通过Scrapy自带的机制执行命令生成指定的json数据文件，而处理数据提取和清洗后的数据保存工作，可交由管道（piplines）专门处理

1. 编写piplines.py脚本

piplines.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

# 管道1：负责item的后期处理&数据保存
class MusicspiderPipeline(object):

    # 定义初始化方法，列出需要初始化的参数（可省略）
    def __init__(self):
        self.file=open("music.txt","a") # 追加方式写入

    # 管道每次接收到item后执行的方法（必须实现，不可省略）
    # return item 必须存在
    def process_item(self, item, spider):
        content=str(item)+"\n"
        self.file.write(content)    # 写入数据到本地
        return item

    # 爬取结束时执行的方法（可省略）
    def close_spider(self,spider):
        self.spider.close()

2. 对管道进行ITEM_PIPELINES设置执行优先级

此时需要留意以上脚本中顶部注释中的提示语"Don't forget to add your pipeline to the ITEM_PIPELINES setting"，需要对管道进行ITEM_PIPELINES设置执行优先级（可适用单个or多个管道的场景），如下：
/spiders/settings.py

# 设置管道优先级：0-1000数字越小，优先级越大
ITEM_PIPELINES = {
   'musicSpider.pipelines.MusicspiderPipeline': 300,
}

3. 执行爬虫主体脚本，获取目标数据

执行命令：

scrapy crawl muSpider

执行结果：

以上，管道文件piplines.py中process_item()方法，每收到一个item对象，就会执行一次该方法；即每爬取1条数据，都会追加到指定文件中保存

六、自动翻页

对以上项目中的音乐名的翻页列表爬虫案例进行优化，实现多页翻页爬虫的效果

muSpider.py

# -*- coding: utf-8 -*-
import scrapy
import re
# 引入定义目标字段的MusicspiderItem类
from musicSpider.items import MusicspiderItem

class MuspiderSpider(scrapy.Spider):
    name = 'muSpider'   # 爬虫可识别的名称
    allowed_domains = ['www.htqyy.com'] # 爬取域名范围
    start_urls = ['http://www.htqyy.com/top/musicList/hot?pageIndex=0&pageSize=20'] # 初始url

    # 处理响应数据的方法
    def parse(self, response):
        # filename="music.html"
        data=response.body.decode() # 获取响应内容
        # open(filename,"wb").write(data)   # 写入本地
        
        titles=re.findall(r'target="play" title="(.*?)"',data)  # 获取所有音乐名
        artists=re.findall(r'title="(.*?)" target="_blank"',data)   # 获取所有艺术家

        # 遍历将每一首音乐名、艺术家的存储在列表并返回
        for i in range(0,len(titles)):
            mu_item=MusicspiderItem()   # 创建item对象
            mu_item["title"]=titles[i]  # 赋值
            mu_item["artist"]=artists[i]
            yield mu_item   # 返回mu_item对象的数据

        # 获取当前请求的url，提取出页码信息
        url_1=response.url
        pat1=r"pageIndex=(\d)"
        page=re.search(pat1,url_1).group(1)

        # 构造下一页url，发送下一次请求
        page=int(page)+1
        if page<5:  # 限定5页
            # 构造下一页url
            next_url="http://www.htqyy.com/top/musicList/hot?pageIndex="+str(page)+"&pageSize=20"
            # 发送下一次请求
            # 在parse方法里发送请求，请求完成后会调用parse方法
            yield scrapy.Request(next_url,callback=self.parse)

执行命令：

scrapy crawl muSpider

执行结果：

---

【总结】

本次通过Scrapy框架实现爬虫目标，相当于Scrapy中各个组件分工合作共同完成一个任务。本次使用组件对应作用为：
items.py：定义目标字段
muSpider.py：定义url链接、清洗响应数据
piplines.py：处理items.py中清洗后的数据，并保存目标数据到指定文件
settings.py：配置文件，如可配置管道的执行优先级