【MOOC】Scrapy库
一、Scrapy爬虫框架
1、‘5+2’结构：5个模块+2个中间键
5个模块
1) Spider【用户配置】：
- 框架入口，获取初始爬取请求
- 提供要爬取的url链接，同时解析页面上的内容
- 解析Downloader返回的响应(Response)
- 产生爬取项(Scraped Item)
- 产生额外的爬取请求(Request)
2) Engine【已有实现】
- 控制各模块数据流，不断从Scheduler获得爬取请求，直到请求为空
- 根据条件触发事件
3) Scheduler【已有实现】
- 对所有爬取请求进行调度管理
4) Downloader【已有实现】
- 根据请求下载网页
5) Item Pipeline【用户配置】：
- 框架出口，输出爬取项
- 对提取的信息进行后处理
- 以流水线方式处理Spider产生的爬取项(Scraped Item)
- 由一组操作顺序组成，每个操作是一个Item Pipeline类型
- 清理、检验、查重爬取项中的HTML数据、将数据存储到数据库
2个中间键：Engine和Spider、Downloader之间存在中间键：
1) Downloader Middleware【用户配置】
- 实施Engine、Scheduler、Downloader之间进行用户可配置的控制
- 修改、丢弃、新增请求或响应
2) Spider Middleware【用户配置】
- 对请求和爬取项的再处理
- 修改、丢弃、新增请求或爬取项
2、3条数据流
1) Engine从Spider获得爬取请求(Request-url)
2) Engine再将爬取请求(Request)转发给Scheduler，用于调度
3) Engine从Scheduler获得爬取请求(Request)
4) Engine再将爬取请求(Request)通过中间键发送给Downloader
5) Downloader链接Internet爬取网页之后，Downloader形成响应(Response)通过中间键发送给Engine
6) Engine将响应(Response)通过中间键发送给Spider
7) Spider处理响应之后，产生爬取项(Scraped Item)和新的爬取请求(Request)发给Engine
8) Engine将爬取项(Scraped Item)发送给Item Pipeliner
9) Engine将爬取请求(Request) 转发给Scheduler
二、Requests vs. Scrapy
同：
优点：都可以进行页面请求和爬取，可用性好、文档丰富、入门简单
缺点：没有处理JS、提交表单、应对验证码
异：
Requests：
页面级爬虫
功能库
并发性差、性能较差
重点在页面下载
定制灵活，上手简单
Scrapy：
网站级爬虫
爬虫框架
并发性好、性能较高
重点在爬虫结构
一般定制灵活，深度定制困难，上手较难
适用：
Requests：非常小的需求
Scrapy：不太小的需求
三、Scrapy命令行
>scrapy <command> [options] [args]
四、使用Scrapy库【小例子】
步骤1、 建立一个Scrapy爬虫工程
打开命令行
在C盘的try目录下新建一个工程：python123
1) python123/ — Scrapy框架的用户自定义python代码
2) scrapy.cfg — 部署Scrapy爬虫的配置文件
1) __init__.py — 初始化脚本，不需要用户编写
2) items.py — Items代码模板(继承类)
3) middlewares.py — Middleware代码模板(继承类)，如需扩展Middleware功能，可以进行修改
4) middlewares.py — Middleware代码模板(继承类)
5) pipelines.py — Pipelines代码模板(继承类)
6) settings.py — Scrapy爬虫的配置文件，优化爬虫功能
7) spiders/ — Spiders代码模板(继承类)
8) __pycache__/ — 缓存目录，无需修改
1) __pycache__/ — 缓存目录，无需修改
2) __init__.py — 初始化脚本，不需要用户编写
步骤2、在工程中产生一个爬虫
在spiders目录下增加代码文件 demo.py
# -*- coding: utf-8 -*-
import scrapy
#面向对象编写的一个 DemoSpider 类，该类继承于scrapy.Spider面向对象编写的一个 DemoSpider 类，该类继承于scrapy.Spider
class DemoSpider(scrapy.Spider):
name = 'demo'
allowed_domains = ['python123.io'] ## 只能爬取'python123.io'域名下的相关url，生成爬虫时提交
start_urls = ['http://python123.io/'] ## 爬取的起始页面
## 解析页面的方法，用于处理响应，解析内容形成字典，发现新的url爬取请求
def parse(self, response):
pass
步骤3、配置产生的spider爬虫，即修改demo.py
# -*- coding: utf-8 -*-
import scrapy
class DemoSpider(scrapy.Spider):
name = 'demo'
# allowed_domains = ['python123.io'] ## 可选
start_urls = ['http://python123.io/ws/demo.html']
## 解析页面的方法
def parse(self, response): ## 将response内容写入html文件中
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，获取页面，捕获页面存储在demo.html中
五、yeild关键字
包含yeild语句的函数是一个生成器
生成器是一个不断产生值的函数
生成器每次产生一个值（yeild语句），函数被冻结，被唤醒后再产生一个值
于循环结合使用
## yeild 的使用
def gen(n):
for i in range(n):
yield i**2
for i in gen(5):
print(i, '', end='')
## 普通写法，将所有值计算出来存在列表中，一次进行返回
def square(n):
ls = [i**2 for i in range(n)]
return ls
for i in square(5):
print(i, '', end='')
生成器相比一次列出所有结果的优势【特别对于大规模程序】：
节省存储空间、响应更加迅速、使用灵活
# -*- coding: utf-8 -*-
import scrapy
class DemoSpider(scrapy.Spider):
name = 'demo'
# allowed_domains = ['python123.io'] ## 可选
def start_requests(self):
urls = ['http://python123.io/ws/demo.html']
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
## 解析页面的方法
def parse(self, response): ## 将response内容写入html文件中
fname = response.url.split('/')[-1]
with open(fname, 'wb') as f:
f.write(response.body)
self.log('Saved file %s.' % fname)
六、Scrapy爬虫的使用
1、创建一个工程和Spider模板
2、编写Spider
3、编写Item Pipeliner
4、优化配置策略
七、Scrapy爬虫的数据类型
1、Request类：向网络提交HTTP请求
由Spider生成，Download执行
2、Response类：爬取内容的封装类，HTTP响应
由Download生成，Spider处理
3、Item类：充HTML页面中提取的信息
由Spider生成，Item Pipeliner处理
类似字典类型
八、 Scrapy爬虫信息提取方法【Spider模块使用】
Beautiful Soup
Re
lxlm
Xpath Selector
CSS Selector
