01.scrapy框架简介和基础应用

　　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,各种功能的用法即可:

　　二:安装

　　　　Liunx:

　　　　　　pip3 install scrapy

　　　Windows:

　　　　　　a. pip install wheel

　　　　　　b. 下载 twisted

　　　　　　http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

　　　　　　c. 进入下载目录,执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

　　　　　　d. pip install pywin32

　　　　　　e. pip install scrapy

　　三.基础使用

　　　　1.创建项目: scrapy startproject 项目名称

　　　　项目结构:

project_name/

   scrapy.cfg：
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py

　　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

　　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

　　2.创建爬虫应用程序:

　　　　cd project_name (进入项目目录)

　　　　scrapy genspider 应用名称 爬取网页的其实url(例如: scrapy genspider qiubai www.qiushibaike.com)

　　3.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）
    allowed_domains = ['https://www.qiushibaike.com/']
    #起始爬取的url
    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

　　4.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

　　

　　5.执行爬虫文件:scrapy crawl 应用名称

四:小试牛刀:将嗅事百科首页中段子的内容和标题进行爬取

# -*- coding: utf-8 -*-
import scrapy

class QiubaiSpider(scrapy.Spider):
    name = 'qiubai'
    allowed_domains = ['https://www.qiushibaike.com/']
    start_urls = ['https://www.qiushibaike.com/']

    def parse(self, response):
        #xpath为response中的方法，可以将xpath表达式直接作用于该函数中
        odiv = response.xpath('//div[@id="content-left"]/div')
        content_list = [] #用于存储解析到的数据
        for div in odiv:
            #xpath函数返回的为列表，列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中，需要调用extract()函数将解析的内容从Selecor中取出。
            author = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].extract()
            content=div.xpath('.//div[@class="content"]/span/text()')[0].extract()

            #将解析到的内容封装到字典中
            dic={
                '作者':author,
                '内容':content
            }
            #将数据存储到content_list这个列表中
            content_list.append(dic)

        return content_list

执行爬虫程序:

　　scrapy crawl 爬虫名称:该种执行形式会新鲜事执行的日志信息

　　scrapy crawl 爬虫名称 --nolog 该种执行形式不会显示执行的日志信息