Scrapy初

爬取'http://www.521609.com'图片并保存到本地

import scrapy
from scrapy.selector import HtmlXPathSelector
import os
from scrapy.http import Request
from tutorial import items


class MyspiderSpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['521609.com']
    start_urls = ['http://www.521609.com/daxuexiaohua']
    url_set = set()
    def parse(self, response):
        self.url_set.add(response.url)
        #1、获取当前页面的图片信息
        hxs = HtmlXPathSelector(response)
        div_item = hxs.select('//div[@class="index_img list_center"]')
        src_list = div_item.select('.//img/@src')
        alt_list = div_item.select('.//img/@alt')
        #获取图片和名字
        for (src,alt) in zip(src_list,alt_list):
            addr = 'http://www.521609.com'+src.extract()
            name = alt.extract()
            item = items.TutorialItem(addr = addr,name = name)
            yield item
        #2、获取所有的页面
        page = hxs.select('//div[@class="listpage"]')
        page_list = page.select('.//a/@href').extract()
        for per_page in page_list:
            page_abs_url = os.path.join(self.start_urls[0],per_page)
            if page_abs_url in self.url_set:
                pass
            else:
                obj = Request(url=page_abs_url, method='GET', callback=self.parse)
                yield obj

import scrapy


class TutorialItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    addr = scrapy.Field()
    name = scrapy.Field()

ITEM_PIPELINES = {'tutorial.pipelines.TutorialPipeline':100}

import os
import requests

class TutorialPipeline(object):
    def __init__(self):
        if not os.path.exists('E:mydown_pic'):
            os.makedirs('E:mydown_pic')

    def process_item(self, item, spider):
        response = requests.get(item['addr'], stream=True)
        file_name = '%s.jpg' % (item['name'])
        print(file_name)
        with open(os.path.join('E:mydown_pic', file_name), mode='wb') as f:
            f.write(response.content)
        return item

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取