Scrapy框架

Scrapy簡介

• 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

• 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）

 白話講解Scrapy運作流程

程式碼寫好，程式開始執行...

1. 引擎：Hi！Spider

   , 你要處理哪一個網站？

2. Spider：老大要我處理xxxx.com。

3. 引擎：你把第一個需要處理的URL給我吧。

4. Spider：給你，第一個URL是xxxxxxx.com。

5. 引擎：Hi！排程器，我這有request請求你幫我排序入隊一下。

6. 排程器：好的，正在處理你等一下。

7. 引擎：Hi！排程器，把你處理好的request請求給我。

8. 排程器：給你，這是我處理好的request

9. 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

10. 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）

11. 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）

12. 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。

13. 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。

14. 管道``排程器：好的，現在就做！

 製作Scrapy爬蟲步驟

1.新建專案

scrapy startproject mySpider

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

2.明確目標(mySpider/items.py)

想要爬取哪些資訊，在Item裡面定義結構化資料欄位，儲存爬取到的資料

3.製作爬蟲(spiders/xxxxSpider.py)

import scrapy

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

    def parse(self, response):
        pass

• 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：

 4.儲存資料(pipelines.py)

在管道檔案裡面設定儲存資料的方法，可以儲存到本地或資料庫

溫馨提醒

第一次執行scrapy專案的時候

出現-->"DLL load failed" 錯誤提示，需要安裝pypiwin32模組

先寫個簡單入門的例項

 （1）items.py

想要爬取的資訊

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

import scrapy

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

（2）itcastspider.py

寫爬蟲程式

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 建立一個爬蟲類
class ItcastSpider(scrapy.Spider):
    # 爬蟲名
    name = "itcast"
    # 允許爬蟲作用的範圍
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬蟲起始的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#",
    ]

    def parse(self, response):
        teacher_list = response.xpath('//div[@class="li_txt"]')
        # 所有老師資訊的列表集合
        teacherItem = []
        # 遍歷根節點集合

        for each in teacher_list:
            # Item物件用來儲存資料的
            item = ItcastItem()
            # name, extract() 將匹配出來的結果轉換為Unicode字串
            # 不加extract() 結果為xpath匹配物件
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0].encode("gbk")
            item['title'] = title[0].encode("gbk")
            item['info'] = info[0].encode("gbk")

            teacherItem.append(item)

        return teacherItem

輸入命令：scrapy crawl itcast -o itcast.csv  儲存為 ".csv"的格式

管道檔案pipelines.py的用法

 （1）setting.py修改

ITEM_PIPELINES = {
  #設定好在管道檔案裡寫的類
   'mySpider.pipelines.ItcastPipeline': 300,
}

（2）itcastspider.py

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 建立一個爬蟲類
class ItcastSpider(scrapy.Spider):
    # 爬蟲名
    name = "itcast"
    # 允許爬蟲作用的範圍
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬蟲其實的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#aandroid",

    ]

    def parse(self, response):
        #with open("teacher.html", "w") as f:
        #    f.write(response.body)
        # 通過scrapy自帶的xpath匹配出所有老師的根節點列表集合
        teacher_list = response.xpath('//div[@class="li_txt"]')

        # 遍歷根節點集合
        for each in teacher_list:
            # Item物件用來儲存資料的
            item = ItcastItem()
            # name, extract() 將匹配出來的結果轉換為Unicode字串
            # 不加extract() 結果為xpath匹配物件
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]

            yield item

(3)pipelines.py

資料儲存到本地

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

class ItcastPipeline(object):
    # __init__方法是可選的，做為類的初始化方法
    def __init__(self):
        # 建立了一個檔案
        self.filename = open("teacher.json", "w")

    # process_item方法是必須寫的，用來處理item資料
    def process_item(self, item, spider):
        jsontext = json.dumps(dict(item), ensure_ascii = False) + "\n"
        self.filename.write(jsontext.encode("utf-8"))
        return item

    # close_spider方法是可選的，結束時呼叫這個方法
    def close_spider(self, spider):
        self.filename.close()

(4)items.py

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

import scrapy

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