Scrapy 框架简介

• Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。

• 框架的力量：用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。

• Scrapy 使用了 Twisted'twɪstɪd异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。
  Scrapy中文维护站点：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安装

升级pip版本：pip install --upgrade pip
通过pip 安装 Scrapy 框架pip install scrapy

Ubuntu 需要9.10或以上版本/Mac安装方式

安装非Python的依赖 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通过pip 安装 Scrapy 框架 sudo pip install scrapy

安装后，只要在命令终端输入 scrapy，提示类似以下结果，代表已经安装成功
具体Scrapy安装流程参考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes 里面有各个平台的安装方法

Scrapy框架结构及各模块功能

各个组件的功能浅析

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等，处理整个系统各模块之间的信号,数据流等。

Scheduler(调度器): 它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Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

Spider（爬虫）：它负责处理所有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(调度器)，

Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。（反反爬）

Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

Scrapy 爬虫 一共需要4步：

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 明确目标 （编写items.py）：明确你想要抓取的目标
• 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
• 存储内容 （pipelines.py）：设计管道存储爬取内容
  Scrapy框架官方网址：http://doc.scrapy.org/en/latest

scrapy项目结构

新建项目(scrapy startproject)

在开始爬取之前，必须创建一个新的Scrapy项目。桌面新建一个scrapy_spider文件夹：

点击文件夹然后按住shift文件夹然后在此处打开powershell，然后运行如下命令

scrapy startproject spider_douban

其中， spider_douban为项目名称，使用pycharm打开这个spider_douban文件夹，可以看到将会创建一个 douban 文件夹，目录结构大致如下：

下面来简单介绍一下各个主要文件的作用：

scrapy.cfg ：项目的配置文件
douban/ ：项目的Python模块，将会从这里引用代码
douban/items.py ：项目的目标文件
douban/pipelines.py ：项目的管道文件
douban/settings.py ：项目的设置文件
douban/spiders/ ：存储爬虫代码目录

入门案例完成https://movie.douban.com/top250信息的爬取

创建一个Scrapy项目
定义提取的结构化数据(Item)
编写爬取网站的 Spider 并提取出结构化数据(Item)
编写 Item Pipelines 来存储提取到的Item(即结构化

明确目标(mySpider/items.py)

我们打算抓取：https://movie.douban.com/top250信息

1. 打开douban目录下的items.py

2. Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。

3. 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item。

4. 接下来,创建一个SpiderDoubanItem 类和构建item模型（model）

   
   

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

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

import scrapy


class SpiderDoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 序号
    serial_number = scrapy.Field()
    # 电影名称
    movie_name = scrapy.Field()
    # 电影介绍
    introduce = scrapy.Field()
    # 电影星级
    star = scrapy.Field()
    # 电影的评价
    evalute = scrapy.Field()
    # 电影的描述
    describe = scrapy.Field()
    pass

制作爬虫

爬虫功能要分两步：

1. 爬数据
   在C:\Users\Eric\Desktop\pywk\scrapy_demo2\douban>目录下输入命令，将在douban/spider目录下创建一个名为douban_spider.py的爬虫，并指定爬取域的范围：

scrapy genspider douban_spider movie.douban.com

打开 douban/spiders目录里的douban_spider.py，默认增加了下列代码:

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


class DoubanSpiderSpider(scrapy.Spider):
    name = 'douban_spider'
    allowed_domains = ['movie.douban.com']
    start_urls = ['http://movie.douban.com/']

    def parse(self, response):
        pass

其实也可以由我们自行创建douban_spider.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。
name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。
start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
生成需要下一页的URL请求。

修改start_urls为我们的目标站点

修改parse()方法

def parse(self, response):
     print(response.text)
    

在C:\Users\Eric\Desktop\pywk\scrapy_demo2\douban>执行爬虫命令

# douban_spider 就是name的名称
scrapy crawl douban_spider

是的，就是 douban_spider，看上面代码，它是 DoubanSpiderSpider类的 name 属性，也就是使用 scrapy genspider命令的爬虫名。

可能遇到的问题：

显示没有sqlite模块

解决办法

pip install sqlite

403错误

更改settings.py的USER_AGENT

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'

重新执行

# douban_spider 就是name的名称
scrapy crawl douban_spider

我们可以看到目标站点的源代码已经被爬取了

一个Scrapy爬虫项目里，可以存在多个爬虫。各个爬虫在执行时，就是按照 name 属性来区分。

创建main.py避免每次都执行scrapy crawl douban_spider

在douban/douban文件夹下创建main.py，写入如下代码

from scrapy import cmdline
cmdline.execute('scrapy crawl douban_spider'.split())

直接run main.py即可在控制台中显示目标站点的源代码

取数据

• 爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码
  是不是一目了然？直接上XPath开始提取数据吧。
  我们之前在douban/items.py 里定义了一个DoubanItem类。 这里引入进来，然后添加如下代码

# -*- coding: utf-8 -*-
import scrapy
from douban.items import DoubanItem

class DoubanSpiderSpider(scrapy.Spider):
    # 继承scrapy.Spider，这里是爬虫名字，不能和项目名字重复
    name = 'douban_spider'
    # 允许的域名
    allowed_domains = ['movie.douban.com']
    # 入口 url，扔到调度器里面
    # start_urls = ['http://movie.douban.com/']
    start_urls = ['https://movie.douban.com/top250']
    # 默认解析方法
    def parse(self, response):
        movie_list = response.xpath('//div[@id="content"]//ol/li')
        print(len(movie_list))
        for i_item in movie_list:
            douban_item = DoubanItem()
            # 爬取序号
            douban_item['serial_number'] = i_item.xpath('./div[@class="item"]/div[@class="pic"]/em/text()').extract_first()

            # 爬取电影名称
            douban_item['movie_name'] = i_item.xpath('./div[@class="item"]/div[@class="info"]/div[@class="hd"]/a/span[1]/text()').extract_first()


            # 电影内容
            # 解析数据，而不是第一个
            content = i_item.xpath('.//div[@class="bd"]/p[1]/text()').extract()
            for i_content in content:
                content_s = "".join(i_content.split())
                douban_item['introduce'] = content_s

            # 电影星级
            douban_item['star'] = i_item.xpath('./div[@class="item"]/div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[2]/text()').extract_first()

            # 电影的评价
            evalute = i_item.xpath('./div[@class="item"]/div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[4]/text()').extract_first()

            douban_item['evalute'] = evalute.replace('人评价', '')

            # 电影的描述
            douban_item['describe'] = i_item.xpath('./div[@class="item"]/div[@class="info"]/div[@class="bd"]/p[@class="quote"]/span[@class="inq"]/text()').extract_first()
            print(douban_item)
            # 不进行 yield 无法进入 pipelines 里面,将获取的数据交给pipelines
            yield douban_item
        #解析下一页
        next_link = response.xpath('//span[@class="next"]/link/@href').extract()
        # 如果有就一直取下一页
        if next_link:
            next_link=next_link[0]
            # 将获取的数据交给pipelines
            yield scrapy.Request('https://movie.douban.com/top250'+next_link, callback=self.parse)

保存数据

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：
json格式，默认为Unicode编码

scrapy crawl douban_spider -o douban.json

json lines格式，默认为Unicode编码

scrapy crawl douban_spider -o douban.jsonl

csv 逗号表达式，可用Excel打开，注意编码方式

scrapy crawl douban_spider -o douban.csv

xml格式

scrapy crawl douban_spider -o douban.xml