scrapy的使用

• scrapy的安装使用
• scrapy架构
• 爬虫概念流程
• scrapy项目开发流程
• scrapy常用设置

• scrapy的安装使用
  scrapy的基本使用资料网站：https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/shell.html
  • 本文使用环境配置：win7+pycharm+python3.7
  • 在安装scrapy过程中遇到了比较多的坑，scrapy基于twisted开发，直接安装scrapy无法安装，提示pip版本问题以及各种error，pip install --upgrade pip升级，安装zope.interface-->pyOpenSSL-->Twisted-->scrapy由于源是国外的站点，可能访问失败，下载过程也比较慢，推荐直接访问官方网站直接把.whl包直接下载下来，通过terminal安装更便捷。运行过程还需要win32api,直接安装pypiwin32
  • 使用命令

1.在终端输入scrapy命令可以查看可用命令 Usage: scrapy <command> [options] [args] Available commands: bench Run quick benchmark test fetch Fetch a URL using the Scrapy downloader genspider Generate new spider using pre-defined templates runspider Run a self-contained spider (without creating a project) settings Get settings values shell Interactive scraping console startproject Create new project version Print Scrapy version view Open URL in browser, as seen by Scrapy

• scrapy架构

  • 架构图
    
    各组件功能：
     Scrapy Engine(引擎):负责SpiderDownloader、Schedule、ItemPipeline之间通信、信号、数据传递等。
     Scgeduler:负责接收引擎发送过来的Request请求，并按照一定的方法进行整理排列，入队，当引擎需要时交还给引擎。
     Downloader负责下载引擎发送过来的所有请求，并将其获取到的Response交还给Scrapy引擎，有引擎交还给Spider处理。
     Spider：负责处理所有Response，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schedule。
     ItemPipeline：负责处理Spider中获取到的Item,并进行后期处理（详细分析、过滤、存储等）
     DownloaderMiddlewares：当作是一个可以自定义扩展下载功能的组件
     SpiderMiddlewares：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）

• 爬虫概念流程
  概念：亦可以称为网络蜘蛛或网络机器人，是一个模拟浏览器请求网站行为的程序，可以自动请求网页，把数据抓取下来，然后使用一定规则提取有价值的数据。
  基本流程:
   发起请求-->获取响应内容-->解析内容-->保存处理

• scrapy项目开发流程
  1.建立项目scrapy startproject xxx
  2.编写item.py：明确想要抓取的信息
  3.直至爬虫（spider.py）
  4.存储内容（pipeline.py）
  • 爬取豆瓣电影信息：
    1.创建项目后>scrapy startproject tuorial，会创建一个目录并生产相关配置文件。
    
    2.分析需求，查看网站网页信息，编写item.py文件用于保存爬取到的数据容器，其方法与字典类似，定义类型为 scrapy.Field 的类属性来定义一个 Item。
    

    import scrapy class DoubanItem(scrapy.Item): #序号 serial_number=scrapy.Field() #名称 movie_name=scrapy.Field() #介绍 introduce=scrapy.Field() #星级 star=scrapy.Field() #评论 evalute=scrapy.Field() #描述 desc=scrapy.Field()

    3.编写Spider文件，爬虫主要是该文件实现
     进到根目录，执行命令：scrapy genspider spider_name "domains" : spider_name为爬虫名称唯一,"domains",指定爬取域范围，即可创建spider文件，当然这个文件可以自己手动创建。
     进程scrapy.Spider类，里面的方法可以覆盖。

    import scrapy from ..items import DoubanItem class DoubanSpider(scrapy.Spider): name='douban_mv' allowed_domains=['movie.douban.com'] start_urls=['https://movie.douban.com/top250'] def parse(self, response): movie_list=response.xpath("//div[@class='article']//ol[@class='grid_view']//li//div[@class='item']") for movie in movie_list: items=DoubanItem() items['serial_number']=movie.xpath('.//div[@class="pic"]/em/text()').extract_first() items['movie_name']=movie.xpath('.//div[@class="hd"]/a/span/text()').extract_first() introduce=movie.xpath('.//div[@class="bd"]/p/text()').extract() items['introduce']=";".join(introduce).replace(' ','').replace('\n','').strip(';') items['star']=movie.xpath('.//div[@class="star"]/span[@class="rating_num"]/text()').extract_first() items['evalute']=movie.xpath('.//div[@class="star"]/span[4]/text()').extract_first() items['desc']=movie.xpath('.//p[@class="quote"]/span[@class="inq"]/text()').extract_first() yield items "next-page"实现翻页操作 link=response.xpath('//span[@class="next"]/link/@href').extract_first() if link: yield response.follow(link,callback=self.parse) 

    4.编写pipelines.py文件
     清理html数据、验证爬虫数据，去重并丢弃，文件保存csv,json,db.，每个item pipeline组件生效需要在setting中开启才生效，且要调用process_item(self,item,spider)方法。
     open_spider(self,spider) :当spider被开启时，这个方法被调用
     close_spider(self, spider) :当spider被关闭时，这个方法被调用

    # -*- coding: utf-8 -*- # Define your item pipelines here # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html import json import csv class TutorialPipeline(object): def open_spider(self,spider): pass def __init__(self): self.file=open('item.json','w',encoding='utf-8') def process_item(self, item, spider): line=json.dumps(dict(item),ensure_ascii=False)+"\n" self.file.write(line) return item class DoubanPipeline(object): def open_spider(self,spider): self.csv_file=open('movies.csv','w',encoding='utf8',newline='') self.writer=csv.writer(self.csv_file) self.writer.writerow(["serial_number","movie_name","introduce","star","evalute","desc"]) def process_item(self,item,spider): self.writer.writerow([v for v in item.values()]) def close_spider(self,spider): self.csv_file.close()

    5.开始运行爬虫
     scrapy crawl "spider_name" 即可爬取在terminal中显示信息，注spider_name为spider文件中name名称。
     在命令行也可以直接输出文件并保存，步骤4可以不开启：

    scrapy crawl demoz -o items.json scrapy crawl itcast -o teachers.csv scrapy crawl itcast -o teachers.xml

• scrapy常用设置
  修改配置文件：setting.py
  每个pipeline后面有一个数值，这个数组的范围是0-1000，这个数值确定了他们的运行顺序，数字越小越优先
  DEPTH_LIMIT :爬取网站最大允许的深度(depth)值。如果为0，则没有限制
  FEED_EXPORT_ENCODING = 'utf-8' 设置编码
  DOWNLOAD_DELAY=1：防止过于频繁，误认为爬虫
  USAGE_AGENT:设置代理
  LOG_LEVEL = 'INFO'：设置日志级别，资源
  COOKIES_ENABLED = False：禁止cookie
  CONCURRENT_REQUESTS = 32：并发数量
  设置请求头：DEFAULT_REQUEST_HEADERS={...}

• xpath用法