需求：爬取的是基於文字的網易新聞數據(國內、國際、軍事、航空)。
　　基於Scrapy框架代碼實現數據爬取後，再將當前項目修改為基於RedisSpider的分布式爬蟲形式。

一、基於Scrapy框架數據爬取實現

1、項目和爬蟲文件創建

$ scrapy startproject wangyiPro
$ cd wangyiPro/
$ scrapy genspider wangyi news.163.com    # 基於scrapy.Spider創建爬蟲文件

2、爬蟲文件編寫——解析新聞首頁獲取四個板塊的url

import scrapy

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['news.163.com']
    start_urls = ['https://news.163.com/']

    def parse(self, response):
        lis = response.xpath('//div[@class="ns_area list"]/ul/li')
        # 獲取指定的四個列表元素（國內3、國際5、軍事6、航空7）
        indexes = [3, 4, 6, 7]
        li_list = []   # 四個板塊對應的li標簽對象
        for index in indexes:
            li_list.append(lis[index])

        # 獲取四個板塊中的超鏈和文字標題
        for li in li_list:
            url = li.xpath('./a/@href').extract_first()
            title = li.xpath('./a/text()').extract_first()   # 板塊名稱

            print(url + ":" + title)   # 測試
 

　　執行爬蟲文件，控制臺打印輸出四個url，說明解析成功：

$ scrapy crawl wangyi --nolog
http://news.163.com/domestic/:國內
http://news.163.com/world/:國際
http://war.163.com/:軍事
http://news.163.com/air/:航空

3、爬蟲文件編寫——對每個板塊url發請求，進一步解析

import scrapy

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['news.163.com']
    start_urls = ['https://news.163.com/']

    def parse(self, response):
        lis = response.xpath('//div[@class="ns_area list"]/ul/li')
        # 獲取指定的四個列表元素（國內3、國際5、軍事6、航空7）
        indexes = [3, 4, 6, 7]
        li_list = []   # 四個板塊對應的li標簽對象
        for index in indexes:
            li_list.append(lis[index])

        # 獲取四個板塊中的超鏈和文字標題
        for li in li_list:
            url = li.xpath('./a/@href').extract_first()
            title = li.xpath('./a/text()').extract_first()   # 板塊名稱

            """對每一個板塊對應url發起請求，獲取頁面數據"""
            # 調用scrapy.Request()方法發起get請求
            yield scrapy.Request(url=url, callback=self.parseSecond)

    def parseSecond(self, response):
        """聲明回調函數"""
        # 找到頁面中新聞的共有標簽類型，排除廣告標簽
        div_list = response.xpath('//div[@class="data_row news_article clearfix"]')
        print(len(div_list))   # 非空則驗證xpath是正確的
        for div in div_list:
            # 文章標題
            head = div.xpath('.//div[@class="news_title"]/h3/a/text()').extract_first()
            # 文章url
            url = div.xpath('.//div[@class="news_title"]/h3/a/@href').extract_first()
            # 縮略圖
            imgUrl = div.xpath('./a/img/@src').extract_first()
            # 發布時間和標簽:提取列表中所有的元素
            tag = div.xpath('.//div[@class="news_tag"]//text()').extract()
            # 列表裝化為字符串
            tag = "".join(tag)
 

　　編寫到這裏時，再次執行爬蟲腳本，會發現print(len(div_list))輸出的是4個0，但是xpath表達式卻是正確的。
　　這是由於新浪網的新聞列表信息是動態加載的，而爬蟲程序向url發請求無法獲取動態加載的頁面信息。
　　因此需要selenium幫忙在程序中實例化一個瀏覽器對象，由瀏覽器對象向url發請求，再通過調用page_source屬性拿到selenium實例化對象中獲取的頁面數據，這個數據中包含動態加載的數據內容。

二、將selenium應用到Scrapy項目中

　　需求分析：當點擊國內超鏈進入國內對應的頁面時，會發現當前頁面展示的新聞數據是被動態加載出來的，如果直接通過程序對url進行請求，是獲取不到動態加載出的新聞數據的。則就需要我們使用selenium實例化一個瀏覽器對象，在該對象中進行url的請求，獲取動態加載的新聞數據。

1、selenium在scrapy中使用原理

　　當引擎將國內板塊url對應的請求提交給下載器後，下載器進行網頁數據的下載，然後將下載到的頁面數據，封裝到response中，提交給引擎，引擎將response在轉交給Spiders。
　　Spiders接受到的response對象中存儲的頁面數據裏是沒有動態加載的新聞數據的。要想獲取動態加載的新聞數據，則需要在下載中間件中對下載器提交給引擎的response響應對象進行攔截，切對其內部存儲的頁面數據進行篡改，修改成攜帶了動態加載出的新聞數據，然後將被篡改的response對象最終交給Spiders進行解析操作。

2、selenium在scrapy中使用流程總結

（1）在爬蟲文件中導入webdriver類

from selenium import webdriver

（2）重寫爬蟲文件的構造方法
　　在構造方法中使用selenium實例化一個瀏覽器對象（因為瀏覽器對象只需要被實例化一次）

class WangyiSpider(scrapy.Spider):
    def __init__(self):
        # 實例化瀏覽器對象(保證只會被實例化一次)
        self.bro = webdriver.Chrome(executable_path='/Users/hqs/ScrapyProjects/wangyiPro/wangyiPro/chromedriver')

（3）重寫爬蟲文件的closed(self,spider)方法
　　在其內部關閉瀏覽器對象。該方法是在爬蟲結束時被調用。

class WangyiSpider(scrapy.Spider):
    def closed(self, spider):
        # 必須在整個爬蟲結束後關閉瀏覽器
        print('爬蟲結束')
        self.bro.quit()   # 瀏覽器關閉

（4）重寫下載中間件的process_response方法
　　讓process_response方法對響應對象進行攔截，並篡改response中存儲的頁面數據。

（5）在配置文件中開啟下載中間件

3、項目代碼示例

（1）引入selenium定義瀏覽器開啟和關閉

import scrapy
from selenium import webdriver
from wangyiPro.items import WangyiproItem

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['news.163.com']
    start_urls = ['https://news.163.com/']

    def __init__(self):
        # 實例化瀏覽器對象(保證只會被實例化一次)
        self.bro = webdriver.Chrome(executable_path='./wangyiPro/chromedrive')


    def closed(self, spider):
        # 必須在整個爬蟲結束後關閉瀏覽器
        print('爬蟲結束')
        self.bro.quit()   # 瀏覽器關閉

(2)使用下載中間件攔截settings.py修改

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    'wangyiPro.middlewares.WangyiproDownloaderMiddleware': 543,
}

（3）在下載中間件中進行攔截

　　讓瀏覽器對象去發起get請求，獲取四大版塊對應的頁面數據，瀏覽器對url發送請求，瀏覽器是可以獲取到動態加載的頁面數據的。
　　獲取到這部分動態數據後，可以將這部分數據裝回到攔截的response對象中去。然後將篡改好的response對象發給Spiders。
　　Spiders接收到response對象後，將response賦值給回調函數parseSecond的response參數中。
　　middlewares.py內容如下所示：

# 下載中間件
from scrapy.http import HtmlResponse   # 通過這個類實例化的對象就是響應對象
import time

class WangyiproDownloaderMiddleware(object):
    def process_request(self, request, spider):
        """
        可以攔截請求
        :param request:
        :param spider:
        :return:
        """
        return None

    def process_response(self, request, response, spider):
        """
        可以攔截響應對象（下載器傳遞給Spider的響應對象）
        :param request: 響應對象對應的請求對象
        :param response: 攔截到的響應對象
        :param spider: 爬蟲文件中對應的爬蟲類的實例
        :return:
        """
        print(request.url + "這是下載中間件")
        # 響應對象中存儲頁面數據的篡改
        if request.url in ['http://news.163.com/domestic/', 'http://news.163.com/world/', 'http://war.163.com/', 'http://news.163.com/air/']:
            # 瀏覽器請求發送（排除起始url）
            spider.bro.get(url=request.url)
            # 滾輪拖動到底部會動態加載新聞數據，js操作滾輪拖動
            js = 'window.scrollTo(0, document.body.scrollHeight)'  # 水平方向不移動：0；豎直方向移動：窗口高度
            spider.bro.execute_script(js)  # 拖動到底部，獲取更多頁面數據
            time.sleep(2)  # js執行給頁面2秒時間緩沖，讓所有數據得以加載
            # 頁面數據page_text包含了動態加載出來的新聞數據對應的頁面數據
            page_text = spider.bro.page_source
            # current_url就是通過瀏覽器發起請求所對應的url
            # body是當前響應對象攜帶的數據值
            return HtmlResponse(url=spider.bro.current_url, body=page_text, encoding="utf-8", request=request)
        else:
            # 四個板塊之外的響應對象不做修改
            return response   # 這是原來的響應對象

三、爬蟲代碼完善及item處理

1、爬蟲文件

import scrapy
from selenium import webdriver

from wangyiPro.items import WangyiproItem


class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['news.163.com']
    start_urls = ['https://news.163.com/']

    def __init__(self):
        # 實例化瀏覽器對象(保證只會被實例化一次)
        self.bro = webdriver.Chrome(executable_path='/Users/hqs/ScrapyProjects/wangyiPro/wangyiPro/chromedriver')

    def closed(self, spider):
        # 必須在整個爬蟲結束後關閉瀏覽器
        print('爬蟲結束')
        self.bro.quit()   # 瀏覽器關閉

    def parse(self, response):
        lis = response.xpath('//div[@class="ns_area list"]/ul/li')
        # 獲取指定的四個列表元素（國內3、國際5、軍事6、航空7）
        indexes = [3, 4, 6, 7]
        li_list = []   # 四個板塊對應的li標簽對象
        for index in indexes:
            li_list.append(lis[index])

        # 獲取四個板塊中的超鏈和文字標題
        for li in li_list:
            url = li.xpath('./a/@href').extract_first()
            title = li.xpath('./a/text()').extract_first()   # 板塊名稱

            """對每一個板塊對應url發起請求，獲取頁面數據"""
            # 調用scrapy.Request()方法發起get請求
            yield scrapy.Request(url=url, callback=self.parseSecond, meta={'title': title})

    def parseSecond(self, response):
        """聲明回調函數"""
        # 找到頁面中新聞的共有標簽類型，排除廣告標簽
        div_list = response.xpath('//div[@class="data_row news_article clearfix"]')
        # print(len(div_list))   # 非空則驗證xpath是正確的
        for div in div_list:
            # 文章標題
            head = div.xpath('.//div[@class="news_title"]/h3/a/text()').extract_first()
            # 文章url
            url = div.xpath('.//div[@class="news_title"]/h3/a/@href').extract_first()
            # 縮略圖
            imgUrl = div.xpath('./a/img/@src').extract_first()
            # 發布時間和標簽:提取列表中所有的元素
            tag = div.xpath('.//div[@class="news_tag"]//text()').extract()

            # 列表裝化為字符串
            tags = []
            for t in tag:
                t = t.strip(' \n \t')   # 去除空格 \n換行 \t相當於tab
                tags.append(t)   # 重新裝載到列表中
            tag = "".join(tags)

            # 獲取meta傳遞的數據值
            title = response.meta['title']

            # 實例化item對象,將解析到的數據值存儲到item對象中
            item = WangyiproItem()
            item['head'] = head
            item['url'] = url
            item['imgUrl'] = imgUrl
            item['tag'] = tag
            item['title'] = title

            # 對url發起請求，獲取對應頁面中存儲的新聞內容數據
            yield scrapy.Request(url=url, callback=self.getContent, meta={"item":item})

    def getContent(self, response):
        """新聞內容解析的回調函數"""
        # 獲取傳遞過來的item對象
        item = response.meta['item']

        # 解析當前頁碼中存儲的頁面數據
        # 由於新聞的段落可能有多個，每個段落在一個p標簽中。因此使用extract()方法
        content_list = response.xpath('//div[@class="post_text"]/p/text()').extract()

        # 列表轉字符串（字符串才能保持在item對象中）
        content = "".join(content_list)
        item["content"] = content

        # item對象提交給管道
        yield item

註意：

（1）將解析到的數據值存儲到item對象

　　由於爬蟲做了兩次解析，因此如何將第一次解析的數據加入item對象是最大的難點。
　　解決方法：meta屬性請求傳參。

# 對url發起請求，獲取對應頁面中存儲的新聞內容數據
yield scrapy.Request(url=url, callback=self.getContent, meta={"item":item})

　　對文章url發起請求，欲獲取對應頁面中存儲的新聞內容數據，調用新的回調函數getContent。

（2）新聞內容解析後將item對象提交給管道

class WangyiSpider(scrapy.Spider):
    """同上省略"""
    def getContent(self, response):
        """新聞內容解析的回調函數"""
        # 獲取傳遞過來的item對象
        item = response.meta['item']

        # 解析當前頁碼中存儲的頁面數據
        # 由於新聞的段落可能有多個，每個段落在一個p標簽中。因此使用extract()方法
        content_list = response.xpath('//div[@class="post_text"]/p/text()').extract()

        # 列表轉字符串（字符串才能保持在item對象中）
        content = "".join(content_list)
        item["content"] = content

        # item對象提交給管道
        yield item

2、items.py文件

import scrapy

class WangyiproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    head = scrapy.Field()
    url = scrapy.Field()
    imgUrl = scrapy.Field()
    tag = scrapy.Field()
    title = scrapy.Field()
    content = scrapy.Field()

3、管道文件pipeline.py處理

(1)pipelines.py

class WangyiproPipeline(object):
    def process_item(self, item, spider):
        print(item['title']+ ':'+ item['content'])
        return item

(2)settings.py中放開管道

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'wangyiPro.pipelines.WangyiproPipeline': 300,
}

(3)執行爬蟲輸出爬取的新聞信息

四、UA池和代理池在Scrapy中應用

Scrapy框架之基於RedisSpider實現的分布式爬蟲