Scrapy 框架

Scrapy是用純Python實現一個為了爬取網站資料、提取結構性資料而編寫的應用框架，用途非常廣泛。

框架的力量，使用者只需要定製開發幾個模組就可以輕鬆的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。

Scrapy 使用了 Twisted['twɪstɪd](其主要對手是Tornado)非同步網路框架來處理網路通訊，可以加快我們的下載速度，不用自己去實現非同步框架，並且包含了各種中介軟體介面，可以靈活的完成各種需求。

Scrapy架構圖(綠線是資料流向)：

• Scrapy Engine(引擎): 
  負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，訊號、資料傳遞等。
• Scheduler(排程器): 它負責接受引擎傳送過來的Request請求，並按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。
• Downloader（下載器）：負責下載Scrapy Engine(引擎)傳送的所有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）：它負責處理所有Responses,從中分析提取資料，獲取Item欄位需要的資料，並將需要跟進的URL提交給引擎，再次進入Scheduler(排程器)，
• 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、儲存等）的地方.
• Downloader Middlewares（下載中介軟體）：你可以當作是一個可以自定義擴充套件下載功能的元件。
• Spider Middlewares（Spider中介軟體）：你可以理解為是一個可以自定擴充套件和操作引擎和Spider中間通訊的功能元件（比如進入Spider的Responses;和從Spider出去的Requests）

Scrapy的運作流程

• 程式碼寫好，程式開始執行...
• 引擎：Hi！Spider, 你要處理哪一個網站？
• Spider：老大要我處理xxxx.com。
• 引擎：你把第一個需要處理的URL給我吧。
• Spider：給你，第一個URL是xxxxxxx.com。
• 引擎：Hi！排程器，我這有request請求你幫我排序入隊一下。
• 排程器：好的，正在處理你等一下。
• 引擎：Hi！排程器，把你處理好的request請求給我。
• 排程器：給你，這是我處理好的request
• 引擎：Hi！下載器，你按照老大的下載中介軟體的設定幫我下載一下這個request請求
• 下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然後引擎告訴排程器，這個request下載失敗了，你記錄一下，我們待會兒再下載）
• 引擎：Hi！Spider，這是下載好的東西，並且已經按照老大的下載中介軟體處理過了，你自己處理一下（注意！這兒responses預設是交給def parse()這個函式處理的）
• Spider：（處理完畢資料之後對於需要跟進的URL），Hi！引擎，我這裡有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item資料。
• 引擎：Hi ！管道 我這兒有個item你幫我處理一下！排程器！這是需要跟進URL你幫我處理下。然後從第四步開始迴圈，直到獲取完老大需要全部資訊。
• 管道``排程器：好的，現在就做！

注意！只有當排程器中不存在任何request了，整個程式才會停止，（也就是說，對於下載失敗的URL，Scrapy也會重新下載。）

製作 Scrapy 爬蟲 一共需要4步：

• 新建專案 (scrapy startproject xxx)：新建一個新的爬蟲專案
• 明確目標 （編寫items.py）：明確你想要抓取的目標
• 製作爬蟲 （spiders/xxspider.py）：製作爬蟲開始爬取網頁
• 儲存內容 （pipelines.py）：設計管道儲存爬取內容

Scrapy的安裝

Scrapy框架官方網址：http://doc.scrapy.org/en/latest

Scrapy中文維護站點：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安裝方式

Python 2 / 3

升級pip版本：pip install --upgrade pip

通過pip 安裝 Scrapy 框架pip install Scrapy

Ubuntu 需要9.10或以上版本安裝方式

Python 2 / 3

安裝非Python的依賴 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

通過pip 安裝 Scrapy 框架 sudo pip install scrapy

安裝後，只要在命令終端輸入 scrapy，提示類似以下結果，代表已經安裝成功

具體Scrapy安裝流程參考：

http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes 裡面有各個平臺的安裝方法

Scrapy ：爬取培訓網站講師資訊

學習目標

建立一個Scrapy專案

定義提取的結構化資料(Item)

編寫爬取網站的 Spider 並提取出結構化資料(Item)

編寫 Item Pipelines 來儲存提取到的Item(即結構化資料)

一. 新建專案(scrapy startproject)

在開始爬取之前，必須建立一個新的Scrapy專案。進入自定義的專案目錄中，執行下列命令：

scrapy startproject mySpider

其中， mySpider 為專案名稱，可以看到將會建立一個 mySpider 資料夾，目錄結構大致如下：

下面來簡單介紹一下各個主要檔案的作用：

• scrapy.cfg ：專案的配置檔案
• mySpider/ ：專案的Python模組，將會從這裡引用程式碼
• mySpider/items.py ：專案的目標檔案
• mySpider/pipelines.py ：專案的管道檔案
• mySpider/settings.py ：專案的設定檔案
• mySpider/spiders/ ：儲存爬蟲程式碼目錄

二、明確目標(mySpider/items.py)

我們打算抓取：http://www.itcast.cn/channel/teacher.shtml 網站裡的所有講師的姓名、職稱和個人資訊。

• 開啟mySpider目錄下的items.py
• Item 定義結構化資料欄位，用來儲存爬取到的資料，有點像Python中的dict，但是提供了一些額外的保護減少錯誤。
• 可以通過建立一個 scrapy.Item 類， 並且定義型別為 scrapy.Field的類屬性來定義一個Item（可以理解成類似於ORM的對映關係）。
• 接下來，建立一個ItcastItem 類，和構建item模型（model）。

import scrapy

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

三、製作爬蟲 （spiders/itcastSpider.py）

爬蟲功能要分兩步：

1. 爬資料

在當前目錄下輸入命令，將在mySpider/spider目錄下建立一個名為itcast的爬蟲，並指定爬取域的範圍：

scrapy genspider itcast "itcast.cn"
開啟 mySpider/spider目錄裡的 itcast.py，預設增加了下列程式碼:
import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

其實也可以由我們自行建立itcast.py並編寫上面的程式碼，只不過使用命令可以免去編寫固定程式碼的麻煩

要建立一個Spider， 你必須用scrapy.Spider類建立一個子類，並確定了三個強制的屬性 和 一個方法。

• name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。
• allow_domains = [] 是搜尋的域名範圍，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。爬蟲從這裡開始抓取資料，所以，第一次下載的資料將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。
• parse(self, response) ：解析的方法，每個初始URL完成下載後將被呼叫，呼叫的時候傳入從每一個URL傳回的Response物件來作為唯一引數，主要作用如下：
  • 負責解析返回的網頁資料(response.body)，提取結構化資料(生成item)
  • 生成需要下一頁的URL請求。

將start_urls的值修改為需要爬取的第一個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)

然後執行一下看看，在mySpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面程式碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲名。

執行之後，如果列印的日誌出現 [scrapy] INFO: Spider closed (finished)，代表執行完成。 之後當前資料夾中就出現了一個 teacher.html 檔案，裡面就是我們剛剛要爬取的網頁的全部原始碼資訊。

# 注意，Python2.x預設編碼環境是ASCII，當和取回的資料編碼格式不一致時，可能會造成亂碼；
# 我們可以指定儲存內容的編碼格式，一般情況下，我們可以在程式碼最上方新增：

    import sys
    reload(sys)
    sys.setdefaultencoding("utf-8")

# 這三行程式碼是Python2.x裡解決中文編碼的萬能鑰匙，經過這麼多年的吐槽後Python3學乖了，預設編碼是Unicode了...(祝大家早日擁抱Python3)

2. 取資料

爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面原始碼：

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

是不是一目瞭然？直接上XPath開始提取資料吧。

我們之前在mySpider/items.py 裡定義了一個ItcastItem類。 這裡引入進來

  from mySpider.items import ItcastItem

然後將我們得到的資料封裝到一個 ItcastItem 物件中，可以儲存每個老師的屬性：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老師資訊的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 將我們得到的資料封裝到一個 `ItcastItem` 物件
        item = ItcastItem()
        #extract()方法返回的都是unicode字串
        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)

    # 直接返回最後資料
return items

我們暫時先不處理管道。

儲存資料

scrapy儲存資訊的最簡單的方法主要有四種，-o 輸出指定格式的檔案，，命令如下：

# json格式，預設為Unicode編碼
scrapy crawl itcast -o teachers.json

# json lines格式，預設為Unicode編碼
scrapy crawl itcast -o teachers.jsonl

# csv 逗號表示式，可用Excel開啟
scrapy crawl itcast -o teachers.csv

# xml格式
scrapy crawl itcast -o teachers.xml