Python网络爬虫——Scrapy框架简介和应用

一.什么是Scrapy？

　　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。

- scrapy：爬虫框架
- 具有哪些功能：异步爬取，高性能的数据解析+持久化存储操作
- 框架：集成了很多功能且具有很强通用性的一个项目模板
- 如何学习框架：
　　- 学习框架爱的功能模块的具体使用
- 环境的安装：

　　- linux

　　　　- pip3 install scrapy

　　- windows
　　- 1.pip3 install wheel
　　- 2.下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
　　- 3.进行下载目录，执行pip3 install Twisted‑19.7.0‑cp37‑cp37m‑win_amd64.whl
　　- 4.pip3 install pywin32
　　- 5.pip3 install scrapy

- 使用流程：
　　- 创建一个工程：scrapy startproject firstBlood
　　- cd firstBlood（进入项目目录）
　　- 创建爬虫文件：scrapy genspider first www.xxx.com
　　- 执行：scrapy crawl first 【不显示日志后面加--nolog】

- 目录图片：

　　　　

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

- 编写爬虫文件:在步骤2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，文件源码如下：

# -*- coding: utf-8 -*-
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）【一般注释掉】
    allowed_domains = ['https://www.qiushibaike.com/']
    #起始url列表：列表中存放的url都会被scray进行自动的请求发送
    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

- 设置修改settings.py配置文件相关配置:

修改内容及其结果如下：
19行：USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' # 伪装请求载体身份
22行：ROBOTSTXT_OBEY = False  # 可以忽略或者不遵守robots协议

- 执行爬虫程序：scrapy crawl  应用名称【后面加--nolog，不会输出日志文件】

- 持久化存储：
　　- 基于终端指令：scrapy crawl qiubai -ofilepath.csv
　　　　- 好处：便捷
　　　　- 弊端：局限性强（只可以将数据写入本地文件，文件后缀有要求）
　　- 基于管道
　　　　- 基于持久化存储的所有操作都必须写入到管道文件的管道类中

- 日志类型：INFO DEBUG ERROR

　　- LOG_LEVEL= 'ERROR'【setting最后加入这句，日志只打印错误信息】

总结：

- scrapy框架基本使用
　　- 创建工程
　　　　- 终端指令：scrapy startproject ProName
　　- 创建爬虫文件【创建在指定目录中】
　　　　- cd ProName
　　　　- scrapy genspider SpiderName www.xxx.com
　　- 爬床类的相关属性和方法
　　　　- 爬虫文件的名称：name【名称唯一】【运行时通过name找到对应文件】
　　　　- 起始的url列表：start_urls【存储url，会被scrapy自动的请求发送，有多少url就发送多少期请求】
　　　　- parse方法：【用来解析start_urls列表中url对应的响应数据，start_urls中有多少url就调用多少次parse方法】
　　　　　　- response.xpath()【返回存储selector对象的列表】-->[selector,selector]
　　　　　　　　- extract()【拿到xpath返回所有列表中selector对象】
　　　　　　　　- extract_first()【拿到selector对象列表中对应的第0个数据】
　　- 数据持久化存储
　　　　- 基于终端指令持久化存储
　　　　　　- scrapy crawl SpiderName -o ./file【执行爬虫文件时】
　　　　　　- 只可以将parse方法的返回值进行持久化存储【将解析到的数据以字典形式添加到列表中】
　　　　- 基于管道持久化存储
　　　　　　- 编码流程：
　　　　　　　　- 数据解析【parse方法】
　　　　　　　　- 在item类中声明相关属性，用于存储解析到的数据【xxx = scrapy.Field()】
　　　　　　　　- 将解析到的数据存储封装到item类型的对象中【item = item文件中的类()】【item['xxx']=xxx】
　　　　　　　　- 将item对象提交给给管道类【yield item】
　　　　　　　　- item会被管道类中的proce_item方法中的item参数进行接收
　　　　　　　　- process_item方法中编写基于item持久化存储的操作【存储到本地/数据库】
　　　　　　　　- 在配置文件【setting】中开启管道
　　　　　　- 管道细节处理：
　　　　　　　　- 管道文件中一个类对应的是什么？
　　　　　　　　　　- 一个类表示的是将解析到的数据存储到某一个具体的平台中
　　　　　　　　- process_item方法中的返回值表示什么含义？
　　　　　　　　　　- 【return item】是将item传递给下一个即将被执行的管道类
　　　　　　　　- open_spider,close_spider
　　　　　　　　　　- 重写父类的两种方法，爬虫开启,爬虫结束各调用一次

实例：城市名获取

#1.爬虫文件
# -*- coding: utf-8 -*-
import scrapy
from pachong.items import PachongItem

class A111Spider(scrapy.Spider):
    name = '111'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.aqistudy.cn/historydata/']

    def parse(self, response):
        lis = response.xpath('//div[@class="hot"]/div[2]/ul/li')
        for li in lis:
            city_name = li.xpath('./a/text()').extract_first()
            item = PachongItem()
            item['city_name'] = city_name

            yield item
# ------------------------------------------------------------------
#2.items文件
# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class PachongItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    city_name = scrapy.Field()
#-----------------------------------------------------------------
#3.pipelines管道文件
# -*- 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


class PachongPipeline(object):
    f = None
    def open_spider(self,spider):
        print('开始爬取数据......')
        self.f = open('./111.txt','w',encoding='utf-8')

    def process_item(self, item, spider):
        city_name = item['city_name']
        self.f.write(city_name+'
')

        return item
    def close_spider(self,spider):
        print('结束爬取......')
        self.f.close()
#-------------------------------------------------------------
#4.setting文件
# -*- coding: utf-8 -*-

# Scrapy settings for pachong project

BOT_NAME = 'pachong'

SPIDER_MODULES = ['pachong.spiders']
NEWSPIDER_MODULE = 'pachong.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

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

# 设置显示的日志类型
LOG_LEVEL = 'ERROR'