scrapy框架初识

一.scrapy简介

　　　Scrapy是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，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能（高性能异步下载，队列，分布式
，解析，持久化等）的具有很强通用性的项目模板。对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。
　　五大核心组件工作流程：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

二.安装

　　Linux：

      pip3 install scrapy

 

　　Windows：

      a. pip3 install wheel

      b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

      c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

      d. pip3 install pywin32

      e. pip3 install scrapy
其实:应该还要装一个lxml,这之前在使用xpath的时候已经装了

三.基础使用

　　1.创建项目

1.在命令行中使用命令进入即将创建爬虫项目的文件夹

2.在命令行执行 scrapy starproject 爬虫项目名称(就会在当前文件夹创建项目名称的文件夹) ---->创建项目

3.在命令行执行 cd 项目名称文件夹

4.在命令行执行 scrapy genspider 爬虫文件名称 www.xxx.com  -----创建爬虫文件(存放在spider文件夹)
　　执行完毕后，会在项目的spiders中生成一个应用名的py爬虫文件

5.

　　5.


注:各个文件描述:
　　scrapy.cfg 项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中） 
　　items.py 设置数据存储模板，用于结构化数据，如：Django的Model pipelines 数据持久化处理 
　　settings.py 配置文件，如：递归的层数、并发数，延迟下载等 
　　spiders 爬虫目录，如：创建文件，编写爬虫解析规则
　　scrapy.cfg 项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中） 
　　items.py 设置数据存储模板，用于结构化数据，如：Django的Model pipelines 数据持久化处理 
　　settings.py 配置文件，如：递归的层数、并发数，延迟下载等 spiders 爬虫目录，如：创建文件，编写爬虫解析规则

 　   2.查看一下爬虫文件的内容

import scrapy

class QiubaiSpider(scrapy.Spider):
    name = 'qiubai' #应用名称
    #允许爬取的域名（如果遇到非该域名的url则爬取不到数据）
    allowed_domains = ['https://www.qiushibaike.com/']
    #起始爬取的url
    start_urls = ['https://www.qiushibaike.com/']

     #访问起始URL并获取结果后的回调函数，该函数的response参数就是向起始的url发送请求后，获取的响应对象.该函数返回值必须为可迭代对象或者NUll 
     def parse(self, response):
        print(response.text) #获取字符串类型的响应内容
        print(response.body)#获取字节类型的相应内容

 

　　3.修改配置

在stttings文件中:修改配置:
　　1.修改robots协议,表示我们不准从robots协议
　　　　ROBOTSTXT_OBEY = False

　　2.UA伪装
　　　　默认是这样的:USER_AGENT = 'firstblood (+http://www.yourdomain.com)'
　　　　修改:USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)
　　　　　　　　　　 Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6821.400 QQBrowser/10.3.3040.400'
 　3.设置编码

　　　　# settings.py
　　　　FEED_EXPORT_ENCODING = 'utf-8'

　　4.执行爬虫程序

1.在命令行进入所在项目文件夹

2. 执行scrapy crawl 爬虫文件名称 --nolog  (表示不打印日志)

 　　5.本地持久化存储

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


class QiubaiSpider(scrapy.Spider):
    name = 'qiubai'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.qiushibaike.com/text/']


    def parse(self, response):
        all_data = []
        div_list=response.xpath('//div[@id="content-left"]/div')
        for div in  div_list:
            # author=div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            #这边xpath解析出来的是一个select对象列表,我们要从select对象拿出数据data
            #必须执行extract,extract_first这种方法你必须保证,select对象只有一个数据
            #当你的解析写的不对的话，返回给你的是一个None值
            author=div.xpath('./div[1]/a[2]/h2/text()').extract_first()
            #extract(),这个方法是取出select对象的所有data
            content=div.xpath('./a[1]/div/span//text()').extract()
            content=''.join(content)
            dic={
                'author':author,
                'content':content
            }
            all_data.append(dic)
            # 1.基于终端命令的持久化存储,不支持txt,支持csv,jsason等等
        #返回给终端执行命令进行终端本地持久化存储
        return all_data

执行命令:scrapy crawl qiubai -o qiushibaike.csv

scrapy框架的我们常用的xpath并不是同一个,有点差别,器解析出来的是select对象,数据存放在select对象的data当中

支持的本地存储格式

 　　debug信息的认识

　　

 

 

　　6.管道本地持久化储存

#还有大前提就是要使用管道持久化存储,必须去settings.py把这边的注释给放开

#要通过中间件持久化存储必须放开这个注释,字典后面的数字表示优先级
#数字越小优先级越高
ITEM_PIPELINES = {
   'QiuBaiPRO.pipelines.QiubaiproPipeline': 300,
}

#爬虫文件

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

import scrapy
from QiuBaiPRO.items import QiubaiproItem


class QiubaiSpider(scrapy.Spider):
    name = 'qiubai'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.qiushibaike.com/text/']

    # 2.基于管道的持久化存储(基于管道的持久化存储必须写下管道文件当中)
    def parse(self,response):
        div_list=response.xpath('//div[@id="content-left"]/div')
        for div in  div_list:
            author=div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            content=div.xpath('./a[1]/div/span//text()').extract()
            content=''.join(content)

            #实例话一个item对象(容器)
            item=QiubaiproItem()
            item['author']=author
            item['content']=content
            #返回给pipline去持久化存储
            yield item


#items.py
import scrapy


class QiubaiproItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field() 创建容器
    author=scrapy.Field()
    content=scrapy.Field()



#piplines.py
# -*- 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

from scrapy.exceptions import DropItem

class QiubaiproPipeline(object): 
　　f=None # 开启爬虫时执行程序执行一次,重写父类的方法,可以开启数据库等,要记得参数有一个spider不要忘记了 
　　def open_spider(self,spider): 
　　　　self.f=open('./qiushibaike.txt','w',encoding='utf-8') #提取处理数据(保存数据) 
　　def process_item(self, item, spider): self.f.write(item['author']+':'+item['content']+'\n')
　　　　 #raise DropItem() # 后续的 pipeline的process_item方法不再执行
　　　　 return item  #要记得把数据返回给下一个存储的,要不然下一个存储的就拿不到数据了　　　　　
    #.关闭爬虫时执行也是只执行一次,重写父类方法,可以关闭数据库等,重写父类要要有参数spider,不要忘记了
    def colse_spider(self,spider):
        self.f .close()

 　　 　　7.管道mysql储存

#还有大前提就是要使用管道持久化存储,必须去settings.py把这边的注释给放开

#要通过中间件持久化存储必须放开这个注释,字典后面的数字表示优先级
#数字越小优先级越高
ITEM_PIPELINES = {
   'QiuBaiPRO.pipelines.QiubaiproPipeline': 300,
}

爬虫文件:

# -*- coding: utf-8 -*-
import scrapy
from QiuBaiPRO.items import QiubaiproItem

class QiubaiSpider(scrapy.Spider):
    name = 'qiubai'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.qiushibaike.com/text/']
    # 2.基于管道的持久化存储(基于管道的持久化存储必须写下管道文件当中)
    def parse(self,response):
        div_list=response.xpath('//div[@id="content-left"]/div')
        for div in  div_list:
            try :
                author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()

            except Exception as e:
                print(e)
                continue
            content = div.xpath('./a[1]/div/span//text()').extract()
            content = ''.join(content)

            # 实例话一个item对象(容器)
            item = QiubaiproItem()
            item['author'] = author
            item['content'] = content
            # 返回给pipline去持久化存储
            yield item

#pipline.py
class Mysql_PipeLine(object):
    conn=None
    cursor=None
    def open_spider(self,spider):
        self.conn=pymysql.connect(host='127.0.0.1',port=3306,user='root',password='123',db='qiubai')

    def process_item(self, item, spider):
        self.cursor=self.conn.cursor()
        print(item['author'])
        try:
            self.cursor.execute('insert into qiubai values ("%s","%s")'% (item['author'],item['content']))
            self.conn.commit()
        except Exception as  e:
            # print(e)

    　　　return item  #要记得把数据返回
　　def close_spider(self,spider):
    　　self.cursor.close()
    　　self.conn.close()

　　8.redis同理

class Redis_PipeLine(object):
    conn=None
    def open_spider(self,spider):#m没有设置密码就先不设置了
        self.conn=Redis(host='127.0.0.1',port=6379,)
    def process_item(self,item,spider):
        dic={
            'author':item['author],
            'content':item['content']
        }
        self.conn.lpush('qiubai',dic)
　　　　return item #要记得把数据返回
    #不要关闭,局部用重写方法,也不需要提交

#redis如果使用不了要指定redis的版本
pip install -U redis==2.10.6

 　　9.scrapy中一些常用的属性

我们所有自己写的爬虫都是继承与spider.Spider这个类

name

定义爬虫名字，我们通过命令启动的时候用的就是这个名字，这个名字必须是唯一的

allowed_domains

包含了spider允许爬取的域名列表。当offsiteMiddleware启用时，域名不在列表中URL不会被访问
所以在爬虫文件中，每次生成Request请求时都会进行和这里的域名进行判断

start_urls

起始的url列表
这里会通过spider.Spider方法中会调用start_request循环请求这个列表中每个地址。

custom_settings

自定义配置，可以覆盖settings的配置，主要用于当我们对爬虫有特定需求设置的时候

设置的是以字典的方式设置:custom_settings = {}

from_crawler

这是一个类方法，我们定义这样一个类方法，可以通过crawler.settings.get()这种方式获取settings配置文件中的信息，同时这个也可以在pipeline中使用

start_requests()
这个方法必须返回一个可迭代对象，该对象包含了spider用于爬取的第一个Request请求
这个方法是在被继承的父类中spider.Spider中写的，默认是通过get请求，如果我们需要修改最开始的这个请求，可以重写这个方法，如我们想通过post请求

make_requests_from_url(url)
这个也是在父类中start_requests调用的，当然这个方法我们也可以重写

parse(response)
这个其实默认的回调函数
负责处理response并返回处理的数据以及跟进的url
该方法以及其他的Request回调函数必须返回一个包含Request或Item的可迭代对象或者dict或者None对象（解析完成的数据要构造成这几种格式才能发送给pipeline处理，否则会报错）

　Spider must return Request, BaseItem, dict or None