[Python爬蟲] 十、Scrapy 框架

往期內容提要：

[Python爬蟲] 一、爬蟲原理之HTTP和HTTPS的請求與響應
[Python爬蟲] 二、爬蟲原理之定義、分類、流程與編碼格式
[Python爬蟲] 三、數據抓取之Requests HTTP 庫
[Python爬蟲] 四、數據抓取之HTTP/HTTPS抓包工具Fiddler
[Python爬蟲] 五、數據提取之正則表達式re模塊
[Python爬蟲] 六、數據提取之XPath與lxml類庫
[Python爬蟲] 七、結構化數據提取之JSON與JsonPATH
[Python爬蟲] 八、動態HTML處理之Selenium與PhantomJS
[Python爬蟲] 九、機器視覺與機器圖像識別之Tesseract

一、Scrapy介紹

Scrapy是一個爲了爬取網站數據，提取結構性數據而編寫的應用框架，我們只需要實現少量的代碼，就能夠快速的抓取。

這是因爲 Scrapy 使用了 Twisted['twɪstɪd]異步網絡框架，可以加快我們的下載速度。

異步：調用在發出之後，這個調用就直接返回，不管有無結果

非阻塞：關注的是程序在等待調用結果（消息，返回值）時的狀態，指在不能立刻得到結果之前，該調用不會阻塞當前線程。

二、Scrapy的安裝介紹

Scrapy框架官方網址：http://doc.scrapy.org/en/latest

Scrapy中文維護站點：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

（1） Windows 安裝方式

Python 2 / 3
升級pip版本：pip install --upgrade pip
通過pip 安裝 Scrapy 框架pip install Scrapy

（2） Ubuntu 需要9.10或以上版本安裝方式

Python 2 / 3
安裝非Python的依賴 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通過pip 安裝 Scrapy 框架 sudo pip install scrapy

安裝後，只要在命令終端輸入 scrapy，提示類似以下結果，代表已經安裝成功

具體Scrapy安裝流程參考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes 裏面有各個平臺的安裝方法

三、操作案例

學習目標：

創建一個Scrapy項目

定義提取的結構化數據(Item)

編寫爬取網站的 Spider 並提取出結構化數據(Item)

編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)

（1）新建項目(scrapy startproject)

在開始爬取之前，必須創建一個新的Scrapy項目。進入自定義的項目目錄中，運行下列命令：

scrapy startproject mySpider

其中， mySpider 爲項目名稱，可以看到將會創建一個 mySpider 文件夾，目錄結構大致如下：

.
└── mySpider
    ├── mySpide
    │       ├── __init__.py
    │       ├── items.py
    │       ├── pipelines.py
    │       ├── settings.py
    │       └── spiders
    │           └── __init__.py
    └── scrapy.cfg

下面來簡單介紹一下各個主要文件的作用：

scrapy.cfg ：項目的配置文件

mySpider/ ：項目的Python模塊，將會從這裏引用代碼
1.mySpider/items.py ：項目的目標文件
2.mySpider/pipelines.py ：項目的管道文件
3.mySpider/settings.py ：項目的設置文件
4.mySpider/spiders/ ：存儲爬蟲代碼目錄

（2）明確目標(mySpider/items.py)

我們打算抓取：http://www.itcast.cn/channel/teacher.shtml 網站裏的所有講師的姓名、職稱和個人信息。

打開mySpider目錄下的items.py
Item 定義結構化數據字段，用來保存爬取到的數據，有點像Python中的dict，但是提供了一些額外的保護減少錯誤。
可以通過創建一個 scrapy.Item 類，並且定義類型爲 scrapy.Field的類屬性來定義一個Item。
接下來，創建一個ItcastItem 類，和構建item模型（model）。

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    level = scrapy.Field()
    info = scrapy.Field()

（3）製作爬蟲

爬蟲功能要分三步：

爬數據
scrapy genspider itcast "itcast.cn”

提取數據
完善spider，使用xpath等方法

保存數據
pipeline中保存數據

1. 爬數據

A . 在當前目錄下輸入命令，將在mySpider/spider目錄下創建一個名爲itcast的爬蟲，並指定爬取域的範圍：

scrapy genspider itcast "itcast.cn"

B. 打開 mySpider/spider目錄裏的 itcast.py，默認增加了下列代碼:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

其實也可以由我們自行創建itcast.py並編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩：

要建立一個Spider，你必須用scrapy.Spider類創建一個子類，並確定了三個強制的屬性和一個方法。

name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。爬蟲啓動使用 spider crawl [名字] 。

allow_domains = [] 是搜索的域名範圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

start_urls = () ：爬取的URL元祖/列表。爬蟲從這裏開始抓取數據，所以，第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

parse(self, response) ：解析的方法，每個初始URL完成下載後將被調用，調用的時候傳入從每一個URL傳回的Response對象來作爲唯一參數，主要作用如下：

負責解析返回的網頁數據(response.body)，提取結構化數據(生成item)

生成需要下一頁的URL請求。

# 將start_urls的值修改爲需要爬取的第一個url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

# 修改parse()方法
def parse(self, response):
    with open("teacher.html", "w") as f:
        f.write(response.text)

然後運行一下看看，在mySpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的爬蟲名。

一個Scrapy爬蟲項目裏，可以存在多個爬蟲。各個爬蟲在執行時，就是按照 name 屬性來區分。

運行之後，如果打印的日誌出現 [scrapy] INFO: Spider closed (finished)，代表執行完成。之後當前文件夾中就出現了一個 teacher.html 文件，裏面就是我們剛剛要爬取的網頁的全部源代碼信息。

2. 取數據

爬取整個網頁完畢，接下來的就是取的過程了，首先觀察頁面源碼：

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

是不是一目瞭然？直接上XPath開始提取數據吧。

我們之前在mySpider/items.py 裏定義了一個ItcastItem類。這裏引入進來

from mySpider.items import ItcastItem

然後將我們得到的數據封裝到一個 ItcastItem 對象中，可以保存每個老師的屬性，並使用管道，將spider的數據傳到pipeline：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()
    # 存放老師信息的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 將我們得到的數據封裝到一個 `ItcastItem` 對象
        item = ItcastItem()
        #extract()方法返回的都是字符串
        name = each.xpath("h3/text()").extract_first()
        title = each.xpath("h4/text()").extract_first()
        info = each.xpath("p/text()").extract_first()
        
        #items.append(item)

        #將獲取的數據交給pipelines
        yield item

    # 返回數據，不經過pipeline
    #return items

爲什麼要使用yield？讓整個函數變成一個生成器，變成generator（生成器）的好處是每次遍歷的時候挨個讀到內存中，不會導致內存的佔用量瞬間變高。（python3中的range和python2中的xrange同理）

3. 保存數據

A. 如不使用pipeline，scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，命令如下：

# json格式，默認爲Unicode編碼
scrapy crawl itcast -o teachers.json

# json lines格式，默認爲Unicode編碼
scrapy crawl itcast -o teachers.jsonl

# csv 逗號表達式，可用Excel打開
scrapy crawl itcast -o teachers.csv

# xml格式
scrapy crawl itcast -o teachers.xml

B. 如使用pipeline，要將所有(從所有'spider'中)爬取到的item，存儲到一個獨立地items.json 文件，每行包含一個序列化爲'JSON'格式的'item'：

（1）打開 pipelines.py 文件，寫入下面代碼：

# pipelines.py

import json

class ItcastJsonPipeline(object):

    def __init__(self):
        self.file = open('teacher.json', 'wb')

    def process_item(self, item, spider):
        content = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(content)
        return item

    def close_spider(self, spider):
        self.file.close()

（2）啓用一個Item Pipeline組件：

爲了啓用Item Pipeline組件，必須將它的類添加到 settings.py文件ITEM_PIPELINES 配置，就像下面這個例子：

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    #'mySpider.pipelines.SomePipeline': 300,
    "mySpider.pipelines.ItcastJsonPipeline":300
}

分配給每個類的整型值，確定了他們運行的順序，item按數字從低到高的順序，通過pipeline，通常將這些數字定義在0-1000範圍內（0-1000隨意設置，數值越低，組件的優先級越高）

轉眼間 [Python爬蟲] 專題已寫至第十章，或多或少已經開始明白Python爬蟲的基本原理和運用方法，從階段性學習來看，這一專題的內容就到此結束了，接下來的學習是更爲深入的框架學習。比如這裏只是簡單的對 Scrapy 框架做一個簡略概述。如果你對 Scrapy 框架感興趣，接下來將是新的開始，加油！

【Python爬蟲】Scrapy 後續學習路線

[Python爬蟲] Scrapy 框架之Scrapy Shell
[Python爬蟲] Scrapy 框架之Item Pipeline
[Python爬蟲] Scrapy 框架之Spider
[Python爬蟲] Scrapy 框架之CrawlSpiders
[Python爬蟲] Scrapy 框架之Request
[Python爬蟲] Scrapy 框架之Downloader Middlewares
[Python爬蟲] Scrapy 框架之Settings
[Python爬蟲] scrapy-redis

如果您有任何疑問或者好的建議，期待你的留言與評論！

[Python爬蟲] 十、Scrapy 框架

一、Scrapy介紹

二、Scrapy的安裝介紹

（1） Windows 安裝方式

（2） Ubuntu 需要9.10或以上版本安裝方式

三、操作案例

學習目標：

創建一個Scrapy項目

定義提取的結構化數據(Item)

編寫爬取網站的 Spider 並提取出結構化數據(Item)

編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)

（1）新建項目(scrapy startproject)

（2）明確目標(mySpider/items.py)

（3）製作爬蟲

1. 爬數據

其實也可以由我們自行創建itcast.py並編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩：

2. 取數據

是不是一目瞭然？直接上XPath開始提取數據吧。

3. 保存數據

A. 如不使用pipeline，scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，命令如下：

B. 如使用pipeline，要將所有(從所有'spider'中)爬取到的item，存儲到一個獨立地items.json 文件，每行包含一個序列化爲'JSON'格式的'item'：

密碼學：一文讀懂常用加密技術原理及其邏輯與應用方法

【樹莓派-網絡監控（5）前端搭建】基於iframe標籤,集成監控實時畫面與遙控功能，完成網絡監控的搭建與調試

【樹莓派-網絡監控（4）數據交互】基於python異步io框架Tornado,實現監控遙控命令與Web網頁觸發事件的綁定及前後端的數據交互

【抽獎平臺開發（3）】將抽獎結果提交的表單上傳至數據庫，完成抽獎平臺前臺開發（PHP+MySQL）

【抽獎平臺開發（1）】抽獎功能的前端實現（HTML+JS+CSS）

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

[Python爬蟲] 十、Scrapy 框架

一、Scrapy介紹

二、Scrapy的安裝介紹

（1） Windows 安裝方式

（2） Ubuntu 需要9.10或以上版本安裝方式

三、操作案例

學習目標： 創建一個Scrapy項目 定義提取的結構化數據(Item) 編寫爬取網站的 Spider 並提取出結構化數據(Item) 編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)

（1） 新建項目(scrapy startproject)

（2） 明確目標(mySpider/items.py)

（3） 製作爬蟲

1. 爬數據

其實也可以由我們自行創建itcast.py並編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩：

2. 取數據

是不是一目瞭然？直接上XPath開始提取數據吧。

3. 保存數據

A. 如不使用pipeline，scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，命令如下：

B. 如使用pipeline，要將所有(從所有'spider'中)爬取到的item，存儲到一個獨立地items.json 文件，每行包含一個序列化爲'JSON'格式的'item'：

學習目標：

創建一個Scrapy項目

定義提取的結構化數據(Item)

編寫爬取網站的 Spider 並提取出結構化數據(Item)

編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)

（1）新建項目(scrapy startproject)

（2）明確目標(mySpider/items.py)

（3）製作爬蟲