Scrapy 安装与使用

Scrapy的安装：

当前环境win10，python_3.6.4，64bit。在命令提示符窗口运行pip install Scrapy，出现以下结果：

building 'twisted.test.raiser' extension
error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools

按报错提示安装之后错误依旧存在；

http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted> 下载Twisted对应版本的whl文件，cp后面是python版本，amd64代表64位，重新运行pip install命令：

 pip install C:\Users\E5-573G\Desktop\2018寒假\Python\爬虫\scrapy\Twisted-17.5.0-cp36-cp36m-win_amd64.whl1 

其中install后面为下载的whl文件的完整路径名 。

然后再次运行 pip install scrapy 命令即可安装成功。

Scrapy命令行格式：

Scrapy常用命令：

应用Scrapy爬虫框架主要是编写配置型代码。

Scrapy的第一个实例：演示HTML地址。

演示HTML页面地址：http://python123.io/ws/demo.html

文件名称：demo.html

产生步骤：

步骤1：建立一个Scrapy爬虫工程；

选取一个目录(C:\Users\E5-573G\Desktop\2018寒假\Python\爬虫\scrapy)，然后执行如下命令：

生成的工程目录：

python123demo/ ——————— 外层目录

​ scrapy.cfg ——————— 部署Scrapy爬虫的配置文件

​ python123demo/ ——————— Scrapy框架的用户自定义python代码

​ init.py ——————— 初始化脚本

​ items.py ——————— Items代码模板(继承类)

​ middlewares.py ————— Middlewares代码模块(继承类)

​ pipelines.py ————— Pipelines.py代码模块(继承类)

​ settings.py ————— Scrapy爬虫的配置文件

​ spiders/ ————— Spiders代码模块目录(继承类)

目录结构 pycache/ ————— 缓存目录，无需修改

​ spiders/ ————— Spiders代码模块目录(继承类)

​ init.py ————— 初始化脚本

​ pycache/ ————— 缓存目录，无需修改

内层目录结构 用户自定义的spider代码增加在此处

步骤2：在工程中产生一个Scrapy爬虫

进入工程目录(C:\Users\E5-573G\Desktop\2018寒假\Python\爬虫\scrapy\python123demo)。然后执行如下命令：

该命令行作用：

生成一个名称为demo的spider

在spiders目录下增加代码文件demo.py

#demo.py
# -*- coding : utf-8 -*-
import scrapy
​
class DemoSpider(scrapy.Spider) :
    name = "demo"
    allowed_domains = ["python123.io"]
    start_urls = ['heep://python123.io/']
​
    def parse (self,response):
      #parse()用于处理响应，解析内容形成字典，发现新的URL爬取请求
        pass

步骤3：配置产生spider爬虫

​ 配置：(1)初始URL地址 (2)获取页面后的解析方式

#demo1.py
# -*- coding : utf-8 -*-
import scrapy
​
class DemoSpider(scrapy.Spider) :
    name = "demo"
    #   allowed_domains = ["python123.io"]  #可选 
    start_urls = ['heep://python123.io/ws/demo.html']
​
    def parse (self,response):
         #parse()用于处理响应，解析内容形成字典，发现新的URL爬取请求
        fname = response.url.split('/')[-1]
        with open (fname,'wb') as f:
            f.write(response.body)
            self.log('Saved file %s.' % fname)

步骤4：运行爬虫，获取网页

在命令行，执行如下命令：

demo爬虫被执行，捕获页面存储在demo.html

回顾demo.py代码

#demo.py
# -*- coding : utf-8 -*-
import scrapy
​
class DemoSpider(scrapy.Spider) :
    name = "demo"
    start_urls = ['heep://python123.io/ws/demo.html']
​
    def parse (self,response):
         #parse()用于处理响应，解析内容形成字典，发现新的URL爬取请求
        fname = response.url.split('/')[-1]
        with open (fname,'wb') as f:
            f.write(response.body)
            self.log('Saved file %s.' % fname)

demo.py代码的完整版本

#demo all.py
import scrapy
​
class DemoSpider(scrapy.Spider) :
    name = "demo"
​
    def start_urls(self):
        urls= ['heep://python123.io/ws/demo.html']
        for url in urls:
            yield scrapy.Request(url = url,callback = self.parse)
            
    def parse (self,response):
         #parse()用于处理响应，解析内容形成字典，发现新的URL爬取请求
        fname = response.url.split('/')[-1]
        with open (fname,'wb') as f:
            f.write(response.body)
            self.log('Saved file %s.' % fname)

yield关键字的作用

yield <---------->生成器：包含yield语句的函数是一个生成器；

生成器每次产生一个值(yield语句)，函数被冻结，被唤醒后在产生一个值。生成器是一个不断产生值的函数。

生成器每调用一次在yield位置产生一个值，直到函数执行结束。

生成器相比一次列出所有内容的优势：

​ 更节省存储空间；

​ 响应更迅速；

​ 使用更灵活；

Scrapy爬虫的使用步骤：

​ 步骤1：创建一个工程和Spider模板；

​ 步骤2：编写Spider

​ 步骤3：编写Item Pipeline

​ 步骤4：优化配置策略

Scrapy爬虫的数据类型：

​ Request类、Response类、Item类

Request类：class scrapy.http.Request()

​ Request对象表示一个HTTP请求，由Spider生成，由Downloader执行。

Response类：class scrapy.http.Response()

​ Response对象表示一个HTTP响应由Downloader生成，由Spider处理。

Item类： class scrapy.item.Item()

Item对象表示一个从HTML页面中提取的信息内容；由Spider生成，由Item Pipeline处理，Item类似字典类型，可以按照字典类型操作。

Scrapy爬虫提取信息的方法：

scrapy爬虫支持多种HTML信息提取方法：Beautiful Scoop、lxml、re、XPath Selector、CSS Selector

CSS Selector的基本使用：

CSS Selector由W3C组织维护并规范。

”股票数据Scrapy爬虫”实例介绍

功能描述:

目标：获取上交所和深交所所有股票的名称和交易信息

输出：保存到文件中

​ 技术路线：scrapy

数据网站的确定

获取股票列表：

东方财富网：http://quote.easymoney.com/stocklist.html

获取个股信息：

百度股票：http://gupiao.baidu.com/stock/

单个股票：http://gupiao.baidu..com/stock/sz002439.html

编写spider处理链接爬取和页面解析，编写pipelines处理信息存储

步骤：

​ 步骤1：创建工程和Spider模板；

>scrapy startproject BaiduStocks

>cd BaiduStocks

>scrapy genspider stocks baidu.com

进一步修改spiders/stock.py文件

​ 步骤2：编写Spider

配置stocks.py文件

修改对返回页面的处理

修改对新增URL爬取请求的处理

​ 步骤3：编写Item Pipeline