38. Python Scrapy爬虫框架
1. 前言
Scrapy 是一个基于 Twisted 实现的异步处理爬虫框架，该框架使用纯 Python 语言编写。Scrapy 框架应用广泛，常用于数据采集、网络监测，以及自动化测试等。
提示：Twisted 是一个基于事件驱动的网络引擎框架，同样采用 Python 实现。
2. Scrapy下载安装
Scrapy 支持常见的主流平台，比如 Linux、Mac、Windows 等，因此你可以很方便的安装它。本节以 Windows 系统为例，在 CMD 命令行执行以下命令：
python -m pip install Scrapy
由于 Scrapy 需要许多依赖项，因此安装时间较长，大家请耐心等待，关于其他平台的安装方法，可参考官方文档《Scrapy安装指南》。
验证安装，如下所示：
C:\Users\Administrator>python Python 3.7.4 (tags/v3.7.4:e09359112e, Jul 8 2019, 19:29:22) [MSC v.1916 32 bit (Intel)] on win32 Type "help", "copyright", "credits" or "license" for more information. >>> import scrapy >>> exit()
如果可以正常执行exit()操作，并且没有出现 ERROR 错误，则说明安装成功。
3. 创建Scrapy爬虫项目
Scrapy 框架提供了一些常用的命令用来创建项目、查看配置信息，以及运行爬虫程序。常用指令如下所示：
| 命令 | 格式 | 说明 |
|---|---|---|
| startproject | scrapy startproject <项目名> | 创建一个新项目。 |
| genspider | scrapy genspider <爬虫文件名> <域名> | 新建爬虫文件。 |
| runspider | scrapy runspider <爬虫文件> | 运行一个爬虫文件，不需要创建项目。 |
| crawl | scrapy crawl <spidername> | 运行一个爬虫项目，必须要创建项目。 |
| list | scrapy list | 列出项目中所有爬虫文件。 |
| view | scrapy view <url地址> | 从浏览器中打开 url 地址。 |
| shell | csrapy shell <url地址> | 命令行交互模式。 |
| settings | scrapy settings | 查看当前项目的配置信息。 |
1) 创建第一个Scrapy爬虫项目
下面创建名为 Baidu 的爬虫项目，打开 CMD 命令提示符进行如下操作：
C:\Users\Administrator>cd Desktop
C:\Users\Administrator\Desktop>scrapy startproject Baidu
New Scrapy project 'Baidu', using template directory 'd:\python\python37\lib\site-packages\scrapy\templates\project', created in:
C:\Users\Administrator\Desktop\Baidu
# 提示后续命令操作
You can start your first spider with:
cd Baidu
scrapy genspider example example.com
打开新建的项目“Baidu”会有以下项目文件，如图所示：
图1：项目文件
接下来，创建一个爬虫文件，如下所示：
C:\Users\Administrator\Desktop>cd Baidu C:\Users\Administrator\Desktop\Baidu>scrapy genspider baidu www.baidu.com Created spider 'baidu' using template 'basic' in module: Baidu.spiders.baidu
下面呈现了项目的目录树结构，以及各个文件的作用：
Baidu # 项目文件夹 ├── Baidu # 用来装载项目文件的目录 │ ├── items.py # 定义要抓取的数据结构 │ ├── middlewares.py # 中间件，用来设置一些处理规则 │ ├── pipelines.py # 管道文件，处理抓取的数据 │ ├── settings.py # 全局配置文件 │ └── spiders # 用来装载爬虫文件的目录 │ ├── baidu.py # 具体的爬虫程序 └── scrapy.cfg # 项目基本配置文件
从上述目录结构可以看出，Scrapy 将整个爬虫程序分成了不同的模块，让每个模块负责处理不同的工作，而且模块之间紧密联系。因此，您只需要在相应的模块编写相应的代码，就可以轻松的实现一个爬虫程序。
4. Scrapy爬虫工作流程
Scrapy 框架由五大组件构成，如下所示：
| 名称 | 作用说明 |
|---|---|
| Engine(引擎) | 整个 Scrapy 框架的核心，主要负责数据和信号在不同模块间传递。 |
| Scheduler(调度器) | 用来维护引擎发送过来的 request 请求队列。 |
| Downloader(下载器) | 接收引擎发送过来的 request 请求，并生成请求的响应对象，将响应结果返回给引擎。 |
| Spider(爬虫程序) | 处理引擎发送过来的 response， 主要用来解析、提取数据和获取需要跟进的二级URL，然后将这些数据交回给引擎。 |
| Pipeline(项目管道) | 用实现数据存储，对引擎发送过来的数据进一步处理，比如存 MySQL 数据库等。 |
在整个执行过程中，还涉及到两个 middlewares 中间件，分别是下载器中间件（Downloader Middlewares）和蜘蛛中间件（Spider Middlewares），它们分别承担着不同的作用：
- 下载器中间件，位于引擎和下载器之间，主要用来包装 request 请求头，比如 UersAgent、Cookies 和代理 IP 等
- 蜘蛛中间件，位于引擎与爬虫文件之间，它主要用来修改响应对象的属性。
Scrapy 工作流程示意图如下所示：
图1：工作流程示意图
上述示意图描述如下，当一个爬虫项目启动后，Scrapy 框架会进行以下工作：
- 第一步：由“引擎”向爬虫文件索要第一个待爬取的 URL，并将其交给调度器加入 URL 队列当中（对应图中1/2步骤）。
- 第二步：调度器处理完请求后， 将第一个 URL 出队列返回给引擎；引擎经由下载器中间件将该 URL 交给下载器去下载 response 对象（对应3/4步骤）。
- 第三步：下载器得到响应对象后，将响应结果交给引擎，引擎收到后，经由蜘蛛中间件将响应结果交给爬虫文件（对应5/6步骤）。
- 第四步：爬虫文件对响应结果进行处理、分析，并提取出所需要的数据。
- 第五步：最后，提取的数据会交给管道文件去存数据库，同时将需要继续跟进的二级页面 URL 交给调度器去入队列（对应7/8/9步骤）。
上述过程会一直循环，直到没有要爬取的 URL 为止，也就是 URL 队列为空时才会停止。
5. settings配置文件
在使用 Scrapy 框架时，还需要对配置文件进行稍微改动。下面使用 Pycharm 打开刚刚创建的“Baidu”项目，对配置文件进行如下修改：
# 1、定义User-Agent USER_AGENT = 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)' # 2、是否遵循robots协议，一般设置为False ROBOTSTXT_OBEY = False # 3、最大并发量，默认为16 CONCURRENT_REQUESTS = 32 # 4、下载延迟时间 DOWNLOAD_DELAY = 1
其余常用配置项介绍：
# 设置日志级别，DEBUG < INFO < WARNING < ERROR < CRITICAL
LOG_LEVEL = ' '
# 将日志信息保存日志文件中，而不在终端输出
LOG_FILE = ''
# 设置导出数据的编码格式(主要针对于json文件)
FEED_EXPORT_ENCODING = ''
# 非结构化数据的存储路径
IMAGES_STORE = '路径'
# 请求头，此处可以添加User-Agent、cookies、referer等
DEFAULT_REQUEST_HEADERS={
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
# 项目管道，300 代表激活的优先级 越小越优先，取值1到1000
ITEM_PIPELINES={
'Baidu.pipelines.BaiduPipeline':300
}
# 添加下载器中间件
DOWNLOADER_MIDDLEWARES = {}
想要了解更多关于 Scrapy 框架的知识，可参考官方文档：https://docs.scrapy.org/en/latest/index.html
