第一个scrapy

安装和文档:

1. 安装：通过pip install scrapy即可安装。
2. Scrapy官方文档：http://doc.scrapy.org/en/latest
3. Scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

　　如果在windows系统下，提示这个错误ModuleNotFoundError: No module named 'win32api'，那么使用以下命令可以解决：pip install pypiwin32。

案例:

创建项目：

进入到你想把这个项目存放的目录。然后使用控制台创建项目：

scrapy startproject demo

目录结构介绍：

以下介绍下主要文件的作用：

1. items.py：用来存放爬虫爬取下来数据的模型。
2. middlewares.py：用来存放各种中间件的文件。
3. pipelines.py：用来将items的模型存储到本地磁盘中。
4. settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
5. scrapy.cfg：项目的配置文件。
6. spiders包：以后所有的爬虫，都是存放到这个里面

使用Scrapy框架爬取糗事百科段子：

使用命令创建一个爬虫(进入项目的目录中使用控制台命令创建)：

scrapy genspider qsbk "qiushibaike.com"

创建了一个名字叫做qsbk的爬虫，并且能爬取的网页只会限制在qiushibaike.com这个域名下。

该命令会自动在项目的spiders目录下创建qsbk.py文件,并自动写入下面代码.

爬虫代码解析：

import scrapy

class QsbkSpider(scrapy.Spider):
    name = 'qsbk'
    allowed_domains = ['qiushibaike.com']
    start_urls = ['http://qiushibaike.com/']

    def parse(self, response):
        pass

其实这些代码我们完全可以自己手动去写，而不用命令。只不过是不用命令，自己写这些代码比较麻烦。
要创建一个Spider，那么必须自定义一个类，继承自scrapy.Spider，然后在这个类中定义三个属性和一个方法。

1. name：这个爬虫的名字，名字必须是唯一的。不能跟项目名称相同
2. allow_domains：允许的域名。爬虫只会爬取这个域名下的网页，其他不是这个域名下的网页会被自动忽略。
3. start_urls：爬虫从这个变量中的url开始。
4. parse：引擎会把下载器下载回来的数据扔给爬虫解析，爬虫再把数据传给这个parse方法。这个是个固定的写法。这个方法的作用有两个，第一个是提取想要的数据。第二个是生成下一个请求的url。

修改settings.py代码：

在做一个爬虫之前，一定要记得修改setttings.py中的设置。两个地方是强烈建议设置的。

1. ROBOTSTXT_OBEY设置为False。默认是True。即遵守机器协议，那么在爬虫的时候，scrapy首先去找robots.txt文件，如果没有找到。则直接停止爬取。
2. DEFAULT_REQUEST_HEADERS添加User-Agent。这个也是告诉服务器，我这个请求是一个正常的请求，不是一个爬虫。

完成的爬虫代码：

qsbk.py文件代码

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from demo.items import DemoItem
 4 
 5 
 6 class QsbkSpider(scrapy.Spider):
 7     name = 'qsbk'
 8     allowed_domains = ['qiushibaike.com']
 9     start_urls = ['https://www.qiushibaike.com/hot/page/1/']
10 
11     def parse(self, response):
　　　　　　　　# selectorlist
12         divs = response.xpath("//div[@id='content-left']/div")
13         for div in divs:
　　　　　　　　　　selector
14             author = div.xpath(".//h2/text()").get().strip()
15             content = div.xpath(".//div[@class='content']//text()").getall()  # get和getall方法都具有将xpath提取到的数据从selector转换为unicode的作用，只不过get()返回字符串，getall()返回的是一个列表
16             content = "".join(content).strip()
17             item = DemoItem(author=author, content=content)
18             yield item  #yield生成器，可以返回结果， 具有return的效果又不会中断。

items.py代码

1 import scrapy
2 
3 
4 class DemoItem(scrapy.Item):
5     author = scrapy.Field()
6     content = scrapy.Field()

pipelines代码

import json


class DemoPipeline(object):
    def __init__(self):
        self.fp = open("duanzi.json", "w", encoding="utf-8")

    def open_spider(self, spider):
        print('爬虫开始了')

    def process_item(self, item, spider):
        item_json = json.dumps(dict(item), ensure_ascii=False)
        self.fp.write(item_json+'
', )
        return item

    def close_spider(self, spider):
        self.fp.close()
　　　　　print("爬虫结束了")
# 另一种方式 每次把数据添加到内存中，最后统一添加到磁盘
from scrapy.exporters import JsonItemExporter

class DemoPipeline(object):
    def __init__(self):
        self.fp = open("duanzi.json", "wb")  # 以二进制的方式写入，就可以不用定义编码形式了。
　　　　 self.exporter = JsonItemExporter(self.fp, ensure_ascii=False, encoding='utf-8')
　　　　 self.exporter.start_exporting()

    def open_spider(self, spider):
        print('爬虫开始了')

    def process_item(self, item, spider):
        item_json = json.dumps(item)
        self.fp.write(item_json+'
', )
        return item

    def close_spider(self, spider):
　　　　  self.exporter.finish_exporting()
        self.fp.close()
　　　　　print("爬虫结束了")
# 另一种方式 每次调用都以字典形式输出，对内存的占用比较少。

from scrapy.exporters import JsonLinsItemExporterclass DemoPipeline(object):
    def __init__(self):

        self.fp = open("duanzi.json", "wb")  

　　　　 self.exporter = JsonLinesItemExporter(self.fp, ensure_ascii=False, encoding='utf-8')


    def open_spider(self, spider):
        print('爬虫开始了')

    def process_item(self, item, spider):
        item_json = json.dumps(item)
        self.fp.write(item_json+'
', )
        return item

    def close_spider(self, spider):

        self.fp.close()
　　　　　print("爬虫结束了")

记得要将settings.py里的pipelines设置注释取消掉

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'demo.pipelines.DemoPipeline': 300,
}

运行scrapy项目：

运行scrapy项目。需要在终端，进入项目所在的路径，然后scrapy crawl [爬虫名字]即可运行指定的爬虫。如果不想每次都在命令行中运行，那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。比如现在新创建一个文件叫做start.py，然后在这个文件中填入以下代码：

from scrapy import cmdline

cmdline.execute("scrapy crawl qsbk".split())

笔记:

1、response是一个scrapy.http.response.html.HtmlResponse对象，可以使用xpath和css语法来提取数据。

2、提取出来的数据是Selector或者是SelectorList对象，获取其中字符串应该使用get()或getall()方法。

3、getall方法：获取所有文本，返回的是一个列表。

4、get方法：获取的是第一个文本，返回的是一个str类型。

5、如果数据解析回来，要传给pipeline处理，那么使用yield来返回。或者在收集所有item，最后统一使用return返回。

6、item：建议在items.py中定义好模型，不要 使用字典返回。

7、pipelines中的四个常用方法。

补充_url跟进:

怎么样使爬虫自动爬取下一页呢?修改qsbk.py文件如下:

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from demo.items import DemoItem
 4 
 5 
 6 class QsbkSpider(scrapy.Spider):
 7     name = 'qsbk'
 8     allowed_domains = ['qiushibaike.com']
 9     start_urls = ['https://www.qiushibaike.com/hot/page/1/']
10 
11     def parse(self, response):
12 
13         divs = response.xpath("//div[@id='content-left']/div")
14         for div in divs:
15             author = div.xpath(".//h2/text()").get().strip()
16             content = div.xpath(".//div[@class='content']//text()").getall()
17             content = "".join(content).strip()
18             item = DemoItem(author=author, content=content)
19             yield item
20         #url跟进开始
21         #获取下一页的url信息, ..是前一个节点的父节点.
22         url = response.xpath("//span[contains(text(),'下一页')]/../@href").extract()
　　　　　　 这里面的xpath和extract()都是selectorlist类的方法

23         print(url)
24         if url:
25             #将信息组合成下一页的url
26             page = 'https://www.qiushibaike.com' + url[0]
27             #返回url
28             yield scrapy.Request(page, callback=self.parse)
29         #url跟进结束

提取下一页的链接的时候,使用xpath的"//span[contains(text(),'下一页')]/../@href"先定位到span节点,在定位到父节点a,获取链接.