2.7 scrapy

一、介绍

1、描述

scrapy是一个为了爬去网站数据，提取结构性数据而编写的应用框架，可以应用在包括数据挖掘，信息处理或存储历史数据等一系列程序中。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。

2、架构

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

• 引擎(Scrapy)：用来处理整个系统的数据流, 触发事务(框架核心)

• 调度器(Scheduler)：用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来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)：用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

• 爬虫(Spiders)：爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

• 项目管道(Pipeline)：负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

• 下载器中间件(Downloader Middlewares)：位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

• 爬虫中间件(Spider Middlewares)：介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

• 调度中间件(Scheduler Middewares)：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

3、流程

Scrapy运行流程大概如下：

• 引擎从调度器中取出一个链接(URL)用于接下来的抓取

• 引擎把URL封装成一个请求(Request)传给下载器

• 下载器把资源下载下来，并封装成应答包(Response)

• 爬虫解析Response

• 解析出实体（Item）,则交给实体管道进行进一步的处理

• 解析出的是链接（URL）,则把URL交给调度器等待抓取

二、入门教程（dmoz为例）

1、示例教程

1.1 创建项目

在开始爬取之前，必须先建立新的scrapy项目。进入想要创建新项目的路径，运行命令

scrapy startproject tutorial

将会创建一个tutorial文件

tutorial/
    scrapy.cfg           # 项目的配置文件，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
    tutorial/            # 
        __pycache__      # 这个是什么 | pyc文件存放位置
        __init__.py      # 
        items.py         # 设置数据存储模板，用于结构化数据
        middlewares.py   # 这个是什么？| （爬虫）中间件
        pipelines.py     # 数据处理行为，如：一般结构化的数据持久化
        settings.py      # 配置文件，如：递归的层数、并发数，延迟下载等
        spiders/         # 放置spider代码的目录
            __init__.py
            ...

注意：一般创建爬虫文件时，以网站域名命名

接下来，命令行一般会提示两个操作

cd tutorial                            # 切换进入创建好的tutorial文件夹中
scrapy genspider example example.com   # 创建爬虫文件，并命名爬虫的名字为example，网址为example.com

结果如下

tutorial/
    scrapy.cfg           # 项目的配置文件，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
    tutorial/            # 
        __pycache__      # 这个是什么 | pyc文件存放位置
        __init__.py      # 
        items.py         # 设置数据存储模板，用于结构化数据
        middlewares.py   # 这个是什么？| （爬虫）中间件
        pipelines.py     # 数据处理行为，如：一般结构化的数据持久化
        settings.py      # 配置文件，如：递归的层数、并发数，延迟下载等
        spiders/         # 放置spider代码的目录
            __init__.py
            example.py

打开example.py

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


class ExampleSpider(scrapy.Spider):
    name = 'example'
    allowed_domains = ['example.com']
    start_urls = ['http://example.com/']

    def parse(self, response):
        pass

其中name、allowed_domains、start_urls都已经被定义

1.2 示例程序（美剧天堂）

• 首先在想要创建的路径中打开命令行

scrapy startproject movie

• 创建爬虫程序

cd movie
scrapy genspider meiju meijutt.com

生成的文件w位置及内容如前面的示例相同

• 设置数据存储模板（item.py）

import scrapy


class MovieItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()           # 用来存储目标数据

• 编写爬虫（meiju.py）

# -*- coding: utf-8 -*-
import scrapy
from movie.items import MovieItem

class MeijuSpider(scrapy.Spider):
    name = 'meiju'
    allowed_domains = ['meijutt.com']
    start_urls = ['http://meijutt.com/new100.html']  

    def parse(self, response):
        movies = response.xpath('//ul[contains(@class,"top-list") and contains(@class,"fn-clear")]/li')
        for each_movie in movies:
            item = MovieItem()
            item['name'] = each_movie.xpath('./h5/a@title').extract()[0]
            yield item

• 设置配置文件（settings.py）

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'movie.pipelines.MoviePipeline': 300,
#}
ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}

打开官方文档，可以看到这个代码是启动Item Pipeline component必须要添加的部分，它控制着类的运行顺序，数值越低优先级越高。

• 编写数据处理脚本（pipelines.py）

class MoviePipeline(object):
    def process_item(self, item, spider):
        with open('C:\\Users\\dell\\Desktop\\test.txt', 'a' ) as f:
            f.write(item['name'] + '\n')

• 执行爬虫

cd movie
scrapy crawl meiju --nolog   # 不输出日志

模式 spider->parse->pipeline

2、核心spider类

Spider类定义了如何爬去某个网站，包括爬取的动作以及如何从网页内容中提取结构化的数据，总的来说spider就是定义爬取的动作以及分析某个网页

2.1 工作流程分析

• 以初始的URL初始化Request，并设置回调函数，当该request下载完毕并返回时，将生成response，并作为参数传给回调函数. spider中初始的requesst是通过start_requests()来获取的。start_requests()获取 start_urls中的URL，并以parse以回调函数生成Request

• 在回调函数内分析返回的网页内容，可以返回Item对象，或者Dict，或者Request，以及是一个包含三者的可迭代的容器，返回的Request对象之后会经过Scrapy处理，下载相应的内容，并调用设置的callback函数 （是指哪个函数？）

• 在回调函数内，可以通过lxml，bs4，xpath,css等方法获取我们想要的内容生成item

• 最后将item传递给Pipeline处理

2.2 spider中的常用属性

name             # 定义爬虫名字，我们通过命令启动的时候用的就是这个名字，这个名字必须是唯一的
allowed_domains  # 包含了spider允许爬取的域名列表
start_urls       # 起始的url列表(scrapy.Spide中的start_)request调用
custom_setting   # 自定义配置，可以覆盖settings的配置
start_requests() # 这个方法必须返回一个可迭代对象，该对象包含了spider用于爬取的第一个Request请求
make_requests_from_url(url) # 打开url
parse(response)  # 这个其实默认的回调函数，负责处理response并返回处理的数据以及跟进的url

_