Scrapy爬虫框架的安装和使用

Scrapy是一个十分强大的爬虫框架，依赖的库比较多，至少需要依赖的库有Twisted 14.0、lxml 3.4和pyOpenSSL 0.14。在不同的平台环境下，它所依赖的库也各不相同，所以在安装之前，最好确保把一些基本库安装好。
官方网站：https://scrapy.org
官方文档：https://docs.scrapy.org
PyPI：https://pypi.python.org/pypi/Scrapy
GitHub：https://github.com/scrapy/scrapy
中文文档：http://scrapy-chs.readthedocs.io

一、安装Scrapy

如果你的Python是使用Anaconda安装的

conda install Scrapy

Windows下的安装
下载安装pyOpenSSL https://pypi.python.org/pypi/pyOpenSSL#downloads
下载安装Twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
下载安装PyWin32 https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221/
pip3 install Scrapy

CentOS和Red Hat

sudo yum groupinstall -y development tools
sudo yum install -y epel-release libxslt-devel libxml2-devel openssl-devel
pip3 install Scrapy

Ubuntu、Debian和Deepin

sudo apt-get install build-essential python3-dev libssl-dev libffi-dev libxml2 libxml2-dev libxslt1-dev zlib1g-dev
pip3 install Scrapy

　二、scrapy 的使用

1、’创建项目
下面的命令可以创建一个Scrapy爬虫项目，它为我们规定了标准的项目格式。

scrapy startproject myproject [project_dir] #可以直接添加路径，也可以去你的工作目录省略路径选项

创建后用ide工具打开，项目结构:spiders模块中放置所有爬虫，scrapy.cfg是项目的全局配置文件，其余文件是Scrapy的组件。

2、创建爬虫
使用下面的命令可以创建一个爬虫，爬虫会放置在spider模块中。

scrapy genspider mydomain mydomain.com #需要进入项目目录，后面是爬虫名字和起始页面

下面代码是生成的爬虫具有基本的结构，我们也可以自己在此基础上编写代码。

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

class MydomainSpider(scrapy.Spider):
    name = "mydomain"
    allowed_domains = ["mydomain.com"]
    start_urls = ['http://mydomain.com/'] 

    def parse(self, response):
        pass

爬虫起启动后会将start_urls中的网址交给一个start-requests的函数执行，然后返回一个response给parse函数，接下来就是自己写了。

如果起始页面是有多个，可以直接写到start_urls中，还可以重写start-requests函数，自己将网址写好后requests提交一个response交给parse，比如很多的网站的多个栏目页面的网址是固定的，就可以少请求一次，少分析一次网页。

 3、IDE默认没有scrapy项目，为了方便调试，我们需要新建一个脚本来执行scrapy项目，在项目的目录下新建一个xxx.py的文件，一般我们取名main，或者run，里面写上下面代码，我们的项目就可以在Ide调试了。

from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'mydomain']) #mydomain是爬虫的名字

 4、防反爬虫，你懂得。不管网站有没有反爬，这一步最好都做，特别是需要长期爬的网站，也是对网站基本的尊重。这里主要是user-agent，和代理ip和cookie。

user-agent：可以自己写一个列表循环随机取，也可以安装一个包pip3 install fake-useragent，middlewares.py添加

from fake_useragent import UserAgent #这是一个随机UserAgent的包，里面有很多UserAgent
class RandomUserAgentMiddleware(object):
    def process_request(self, request, spider):
        ua = UserAgent()
        request.headers.setdefault('User-Agent', ua.random) #这样就是实现了User-Agent的随即变换

settings.py的DOWNLOADER_MIDDLEWARES添加两条

DOWNLOADER_MIDDLEWARES = {
   'lianjia.middlewares.RandomUserAgentMiddleware': 543,
   'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None, #这里要设置原来的scrapy的useragent为None，否者会被覆盖掉
}

代理ip，很重要，可以用免费的，可以买，也可以自建，middlewares.py添加

class RandomProxyMiddleware(object):
    '''动态设置ip代理'''
    def process_request(self,request,spider):
        get_ip = ip #ip为你的代理ip
        request.meta["proxy"] = "http://" + get_ip + ':端口' #你的代理方式，ip地址和端口

settings.py的DOWNLOADER_MIDDLEWARES添加一条

DOWNLOADER_MIDDLEWARES = {
   'lianjia.middlewares.RandomProxyMiddleware': 542, #代理ip
}

cookie：如果需要使用的，请使用cookie池，如果不需要就关了，settings.py里面

COOKIES_ENABLED = False

还有一点就是爬取过程中的sleep时间最好不要是固定的，比如0-5秒，随机的。