scrapy爬虫框架学习入门教程及实例

Scrapy是一个基于Twisted，纯Python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便～

Scrapy 使用 Twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：

绿线是数据流向，首先从初始URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。

在本文中，我们将学会如何使用Scrapy建立一个爬虫程序，并爬取指定网站上的内容

1. 创建一个新的Scrapy Project

2. 定义你需要从网页中提取的元素Item

3.实现一个Spider类，通过接口完成爬取URL和提取Item的功能

4. 实现一个Item PipeLine类，完成Item的存储功能

爬取网址： 盗墓笔记小说    http://www.daomubiji.com/

                爬取盗墓笔记小说  书的大标题  小标题   章节名称  第几章  章节网址

Step1： 新建scrapy工程

    打开命令行   scrapy   startproject     工程名称

   建好工程，有以下几个文件

   

必有的文件     settings.py    items.py    pipelines.py    __init__.py  scrapy.cfg  及spider文件夹下 __init__.py   其它一些是自己后来添加的

scrapy.cfg: 项目配置文件

items.py: 需要提取的数据结构定义文件

pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等

settings.py: 爬虫配置文件

spiders: 放置spider的目录

Step2: 各个文件如何定义及其连接使用

1、settings配置

下面前三行是建工程自动配置的

BOT_NAME = 'novelspider'
SPIDER_MODULES = ['novelspider.spiders']
NEWSPIDER_MODULE = 'novelspider.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent

##  ITEM_PIPELINES是自己添加的    novelspider工程名字    NovelspiderPipeline 为文件pipelines中的类
ITEM_PIPELINES = ['novelspider.pipelines.NovelspiderPipeline']   
# Obey robots.txt rules
# user_agent 自动配置 可修改
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'
COOKIES_ENABLED = True   

# 连接接数据库
MONGODB_HOST = '127.0.0.1'
MONGODB_PORT = 27017
MONGODB_DBNAME = 'ss'
MONGODB_DOCNAME = 'daomubiji'

2、定义Item

在items.py里面定义我们要抓取的数据：

from scrapy.item import Item,Field

class NovelspiderItem(Item):
    # define the fields for your item here like:
    bookName = Field()            #书的大标题
    bookTitle = Field()           #书的小标题

    chapterNum = Field()          #书的章节
    chapterName = Field()         #书的章节名字
    chapterURL = Field()          #各章节url

    # name = scrapy.Field()
    #pass

3、实现Pipelines

PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。

我这里保存到了mongodb数据库，利用可视化工具  mongoVUE

代码如下

#导入了3个模块
from items import NovelspiderItem          ## 链接item
from scrapy.conf import settings          
#from scrapy import settings         #  不出错
import pymongo

class NovelspiderPipeline(object):
    def __init__(self):
        host = settings['MONGODB_HOST']                ## settings 赋值piplines
        port = settings['MONGODB_PORT']
        dbName = settings['MONGODB_DBNAME']   ## 数据库名字
        client = pymongo.MongoClient(host = host,port = port)   #链接数据库
        tdb = client[dbName]
        self.post = tdb[settings['MONGODB_DOCNAME']]   
        print 'piplines'

    def process_item(self, item, spider):
        bookInfo = dict(item)    #把item转换为字典
        self.post.insert(bookInfo)    # 把数据存入到bookInfo字典里,插入数据库
        return item

4、实现spider

Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员

name: 名字，这个spider的标识

start_urls:一个url列表，spider从这些网页开始抓取

parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表

所以在spiders目录下新建一个spider，novelspider.py:

实现代码如下

# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

# 导入3个模块  一个CrawlSpider   一个selector   一个导入item类的模块
#from scrapy.spiders import CrawlSpider
from scrapy.contrib.spiders import CrawlSpider    

# from scrapy.selector import Selector           # 出错：没有该模块  更换下面这个模块XpathSelector
from scrapy.selector import XPathSelector        # 导入不出错
from novelspider.items import  NovelspiderItem   #导入item中的类NovelspiderItem
#from scrapy.selector import HtmlXPathSelector

自定义类
class novSpider(CrawlSpider):
    name = "novspider"           # name ,spider标识 唯一                     
    redis_key = 'nvospider'
    start_urls = ['http://www.daomubiji.com/']      #spider从这里开始爬取网页

    def parse(self,response):
        selector = XPathSelector(response)         #  获取网页源代码
        print '爬取源码完毕。。。'
        table = selector.select('//table')    ##  查找书及其内容所在位置，获取书的名字
        
        for each in table:
            bookName = each.select('tr/td[@colspan="3"]/center/h2/text()').extract()[0]
            content = each.select('tr/td/a/text()').extract()     # 章节名称
             url = each.select('tr/td/a/@href').extract()          # 章节网址
             # print type(bookName)
            # print content      # 列表    
            for i in range(len(url)):
                item = NovelspiderItem()        #链接item
                item['bookName'] = bookName
                item['chapterURL'] = url[i]    ## 赋值给item中定义的chapterurl
                ###  防止报错
                try:
                    item['bookTitle'] = content[i].split(' ')[0]
                    item['chapterNum'] = content[i].split(' ')[1]
                except Exception,e:
                    continue

                try:
                    item['chapterName'] = content[i].split(' ')[2]
                except Exception,e:
                    item['chapterName'] = content[i].split(' ')[1][-3:]
                yield item

Step3  运行工程

上述四个文件的配置定义实现做好后就可以运行该程序了

如何运行程序

1、新建立一个.py文件 例如  main.py

#coding=utf-8
from scrapy import cmdline      # 导入命令行
cmdline.execute("scrapy crawl novspider".split())   #命令行运行scrapy工程

注意：crawl后的（这里novspider）是自己定义的 name (spider标识)的名字，不是工程名字

2、直接启动命令行

scrapy  crawl novspider

结果保存，我这里保存到了mongodb数据库，利用可视化工具mongoVUE显示

结果如下

还可以保存到txt文件中

f = open('daomubiji.txt','a+')

f.write（）       写入

保存CSV文件，只是不知道为什么是乱码

settings.py内添加

FEED_URI = u'file///F:\daomubiji\daobi.csv'  文件路径
FEED_FORMAT = 'CSV'