什么是Scrapy

　　Scrapy是一個(gè)為了爬取網(wǎng)站數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)而編寫(xiě)的應(yīng)用框架。

　　框架就是將平常寫(xiě)爬蟲(chóng)的request (異步調(diào)度和處理)、下載器(多線(xiàn)程的 Downloader)、解析器(selector)和 twisted(異步處理)封裝到了一起，夠成了框架。而且使用起來(lái)更加方便，爬取速度更快。

　　Scrapy框架的應(yīng)用領(lǐng)域有很多，例如網(wǎng)絡(luò)爬蟲(chóng)開(kāi)發(fā)、數(shù)據(jù)挖掘、自動(dòng)化測(cè)試等，其最初是為了頁(yè)面抓取(網(wǎng)絡(luò)抓取)所設(shè)計(jì)的，也可以應(yīng)用在獲取API所返回的數(shù)據(jù)或者通用的網(wǎng)絡(luò)爬蟲(chóng)。官方網(wǎng)址是https://scrapy.org/

　　Scrapy的安裝

　　Windows系統(tǒng)：

　　pip install scrapy

　　如果安裝過(guò)程中出錯(cuò)

　　錯(cuò)誤信息如下：

　　則需要安裝Microsoft Visual C++14，如果報(bào)錯(cuò)不是Microsoft Visual C++14比如Microsoft Visual C++15則對(duì)應(yīng)安裝即可。

　　如果安裝過(guò)程中過(guò)提示安裝Twisted安裝失敗，則需要來(lái)到這個(gè)網(wǎng)址：https://www.lfd.uci.edu/~gohlke/pythonlibs/自行下載wheel文件，

　　可能需要下載的是：pyOpenSSL、Twisted、PyWin32，可以根據(jù)安裝時(shí)，報(bào)錯(cuò)的提示信息有針對(duì)性的下載。

　　下載之后放到一個(gè)固定的目錄中，進(jìn)入下載的目錄。執(zhí)行 pip3 install xxxxxx.whl (注意xxxxxx代表的是你下載的wheel的名字)

　　然后再次執(zhí)行：pip install scrapy

　　Linux和mac系統(tǒng)直接：pip3 install scrapy

　　scrapy工作流程

　　Scrapy工作流程的圖：

　　在圖中，Scrapy引擎是架構(gòu)的核心部分，調(diào)度器、管道、下載器和Spiders等組件都通過(guò)引擎來(lái)調(diào)控。在Scrapy引擎和下載器中間通過(guò)中間件傳遞信息，在下載中間件中，可以插入自定義代碼擴(kuò)展Scrapy的功能，例如實(shí)現(xiàn)IP池的應(yīng)用。引擎和Spiders之間也是通過(guò)爬蟲(chóng)中間件來(lái)傳遞信息，同樣可以自定義擴(kuò)展功能。

　　其中：

　　Scrapy引擎負(fù)責(zé)控制整個(gè)數(shù)據(jù)處理流程，處于整個(gè)Scrapy框架中心位置，協(xié)調(diào)調(diào)度器、管道、中間件、下載器、爬蟲(chóng)。

　　調(diào)度器負(fù)責(zé)存儲(chǔ)等待爬取的網(wǎng)址，確定網(wǎng)址優(yōu)先級(jí)，相當(dāng)于一個(gè)隊(duì)列存儲(chǔ)，同時(shí)也會(huì)過(guò)濾一些重復(fù)的網(wǎng)址。

　　下載器實(shí)現(xiàn)對(duì)等待爬取的網(wǎng)頁(yè)資源進(jìn)行高速下載，該組件通過(guò)網(wǎng)絡(luò)進(jìn)行大量數(shù)據(jù)傳輸，下載對(duì)應(yīng)的網(wǎng)頁(yè)資源后將數(shù)據(jù)傳遞給Scrapy引擎，再由引擎?zhèn)鬟f給爬蟲(chóng)處理。

　　下載中間件用于處理下載器與Scrapy引擎之間的通信，自定義代碼可以輕松擴(kuò)展Scrapy框架的功能

　　Spiders是實(shí)現(xiàn)Scrapy框架爬蟲(chóng)的核心部分。每個(gè)爬蟲(chóng)負(fù)責(zé)一個(gè)或多個(gè)指定的網(wǎng)站。爬蟲(chóng)組件負(fù)責(zé)接收Scrapy引擎中的Response響應(yīng)，接收到響應(yīng)后分析處理，提取對(duì)應(yīng)重要信息

　　爬蟲(chóng)中間件是處理爬蟲(chóng)組件和Scrapy引擎之間通信的組件，可以自定義代碼擴(kuò)展Scrapy功能

　　管道用于接收從爬蟲(chóng)組件中提取的管道，接收到后進(jìn)行清洗、驗(yàn)證、存儲(chǔ)等系列操作

　　因此其流程可以描述如下：

　　爬蟲(chóng)中起始的url構(gòu)造成request對(duì)象-->爬蟲(chóng)中間件-->引擎-->調(diào)度器

　　調(diào)度器把request-->引擎-->下載中間件--->下載器

　　下載器發(fā)送請(qǐng)求，獲取response響應(yīng)---->下載中間件---->引擎--->爬蟲(chóng)中間件--->爬蟲(chóng)

　　爬蟲(chóng)提取url地址，組裝成request對(duì)象---->爬蟲(chóng)中間件--->引擎--->調(diào)度器，重復(fù)步驟2

　　爬蟲(chóng)提取數(shù)據(jù)--->引擎--->管道處理和保存數(shù)據(jù)

　　每部分的具體作用

　　scrapy常用命令

　　scrapy后面可以跟不同的命令，可以使用scrapy --help進(jìn)行查看，Scrapy框架中命令分為全局命令和項(xiàng)目命令，全局命令不需要進(jìn)入Scrapy項(xiàng)目即可在全局中直接運(yùn)行，項(xiàng)目命令必須在Scrapy項(xiàng)目中才可以運(yùn)行。

　　其中：

　　全局命令：

　　fetch命令是用來(lái)檢查spider下載頁(yè)面的方式

　　runspider命令通過(guò)Scrapy中的runspider命令可以直接運(yùn)行一個(gè)爬蟲(chóng)文件

　　settings命令是用來(lái)獲取Scrapy的配置信息。

　　shell命令可以啟動(dòng)Scrapy的交互終端

　　version命令用于查看Scrapy的版本信息

　　項(xiàng)目命令：

　　Scarpy的項(xiàng)目命令主要有bench、check、crawl、edit、genspider、list、parse。Scrapy全局命令可以在項(xiàng)目?jī)?nèi)外使用，而項(xiàng)目命令只能在Scrapy爬蟲(chóng)項(xiàng)目中使用。

　　bench命令可以測(cè)試本地硬件的性能。

　　genspider命令可以創(chuàng)建Scrapy爬蟲(chóng)文件，這是一種快速創(chuàng)建爬蟲(chóng)文件的方法

　　check命令可以實(shí)現(xiàn)對(duì)爬蟲(chóng)文件的測(cè)試

　　crawl命令可以啟動(dòng)某個(gè)爬蟲(chóng)

　　list命令可以列出當(dāng)前可使用的爬蟲(chóng)文件

　　parse命令可以獲取指定的URL網(wǎng)址，并使用對(duì)應(yīng)的爬蟲(chóng)文件分析處理

　　scrapy開(kāi)發(fā)步驟

　　創(chuàng)建項(xiàng)目:

　　scrapy startproject 爬蟲(chóng)項(xiàng)目名字

　　生成一個(gè)爬蟲(chóng):

　　scrapy genspider <爬蟲(chóng)名字> <允許爬取的域名>

　　提取數(shù)據(jù):

　　根據(jù)網(wǎng)站結(jié)構(gòu)在spider中實(shí)現(xiàn)數(shù)據(jù)采集相關(guān)內(nèi)容

　　保存數(shù)據(jù):

　　使用pipeline進(jìn)行數(shù)據(jù)后續(xù)處理和保存

　　創(chuàng)建項(xiàng)目

　　使用Scrapy創(chuàng)建一個(gè)爬蟲(chóng)項(xiàng)目，首先需要進(jìn)入存儲(chǔ)爬蟲(chóng)項(xiàng)目的文件夾，例如在“D:\python_spider”目錄中創(chuàng)建爬蟲(chóng)項(xiàng)目，如圖所示。

　　當(dāng)然如果你是Linux或者mac系統(tǒng)也需要進(jìn)入存儲(chǔ)爬蟲(chóng)項(xiàng)目的文件夾，然后新建項(xiàng)目

　　創(chuàng)建之后的爬蟲(chóng)項(xiàng)目myproject目錄結(jié)構(gòu)如下：

　　項(xiàng)目名字/

　　scrapy.cfg：

　　項(xiàng)目名字/

　　__init__.py

　　items.py

　　pipelines.py

　　settings.py

　　spiders/

　　__init__.py

　　scrapy.cfg 項(xiàng)目的主配置信息。(真正爬蟲(chóng)相關(guān)的配置信息在settings.py文件中)

　　items.py 設(shè)置數(shù)據(jù)存儲(chǔ)模板，用于結(jié)構(gòu)化數(shù)據(jù)，如：Django的Model

　　pipelines 數(shù)據(jù)持久化處理

　　settings.py 配置文件，如：遞歸的層數(shù)、并發(fā)數(shù)，延遲下載等

　　spiders 爬蟲(chóng)目錄，如：創(chuàng)建文件，編寫(xiě)爬蟲(chóng)解析規(guī)則

　　生成一個(gè)爬蟲(chóng)spider

　　進(jìn)入剛才創(chuàng)建的爬蟲(chóng)項(xiàng)目myproject目錄

　　然后執(zhí)行： scrapy genspider 應(yīng)用名稱(chēng) 爬取網(wǎng)頁(yè)的起始url (見(jiàn)下圖的3部分)

　　編寫(xiě)爬蟲(chóng)

　　在生成一個(gè)爬蟲(chóng)執(zhí)行完畢后，會(huì)在項(xiàng)目的spiders中生成一個(gè)應(yīng)用名的py爬蟲(chóng)文件

　　打開(kāi)文件進(jìn)行代碼編寫(xiě)，大家看到的是默認(rèn)的格式，可以在parse方法中完善爬蟲(chóng)代碼

　　保存數(shù)據(jù)

　　數(shù)據(jù)的保存需要使用管道pipline，在pipelines.py文件中定義對(duì)數(shù)據(jù)的操作

　　定義一個(gè)管道類(lèi)

　　重寫(xiě)管道類(lèi)的process_item方法

　　process_item方法處理完item之后必須返回給引擎

　　然后在settings.py配置啟用管道

　　ITEM_PIPELINES = {

　　'myproject.pipelines.MyprojectPipeline': 400,

　　}

　　配置項(xiàng)中鍵為使用的管道類(lèi)，管道類(lèi)使用.進(jìn)行分割，第一個(gè)為項(xiàng)目目錄，第二個(gè)為文件，第三個(gè)為定義的管道類(lèi)。

　　配置項(xiàng)中值為管道的使用順序，設(shè)置的數(shù)值約小越優(yōu)先執(zhí)行，該值一般設(shè)置為1000以?xún)?nèi)。

　　運(yùn)行scrapy

　　命令：在項(xiàng)目目錄下執(zhí)行scrapy crawl <爬蟲(chóng)名字>

　　示例：scrapy crawl qiubai

　　當(dāng)然本次只是給大家描述了一下爬蟲(chóng)中使用scrapy的基本步驟，20天學(xué)會(huì)爬蟲(chóng)后面會(huì)接連介紹scrapy的使用，敬請(qǐng)期待哦!