python 爬虫之scrapy（爬取猫眼电影）

1.scrapy简介

Scrapy 是用纯 Python 实现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，用途非常广泛。

框架的力量，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 使用了 Twisted ['twɪstɪd] （其主要对手是 Tornado）异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

Scrapy 架构图如下所示：绿线是数据流向。

（1）Scrapy Engine（引擎）: 负责 Spider、ItemPipeline、Downloader、Scheduler 中间的
通讯，信号、数据传递等。

（2）Scheduler（调度器）: 它负责接受引擎发送过来的 Request 请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

（3）Downloader（下载器）：负责下载 Scrapy Engine（引擎）发送的所有 Requests 请求，并将其获取到的 Responses 交还给 Scrapy Engine（引擎），由引擎交给 Spider 来处理，

（4）Spider（爬虫）：它负责处理所有 Responses，从中分析提取数据，获取 Item 字段需要的数据，并将需要跟进的 URL 提交给引擎，再次进入 Scheduler（调度器），

（5）Item Pipeline（管道）：它负责处理 Spider 中获取到的 Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

（6）Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

（7） Spider Middlewares（Spider 中间件）：你可以理解为是一个可以自定扩展和操作引擎和 Spider 中间通信的功能组件（比如进入 Spider 的 Responses;和从 Spider 出去的 Requests）

2.Scrapy 的运作流程

代码写好，程序开始运行…

1. 引擎：Hi！Spider， 你要处理哪一个网站？
2. Spider：老大要我处理 xxxx.com。
3. 引擎：你把第一个需要处理的 URL 给我吧。
4. Spider：给你，第一个 URL 是 xxxxxxx.com。
5. 引擎：Hi！调度器，我这有 request 请求你帮我排序入队一下。
6. 调度器：好的，正在处理你等一下。
7. 引擎：Hi！调度器，把你处理好的 request 请求给我。
8. 调度器：给你，这是我处理好的 request
9. 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个 request 请求
10. 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个 request 下载失 败了。然后引擎告诉调度器，这个 request 下载失败了，你记录一下，我们待会儿再 下载）
11. 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了， 你自己处理一下（注意！这儿 responses 默认是交给 def parse()这个函数处理的）
12. Spider：（处理完毕数据之后对于需要跟进的 URL），Hi！引擎，我这里有两个结 果，这个是我需要跟进的 URL，还有这个是我获取到的 Item 数据。
13. 引擎：Hi ！管道 我这儿有个 item 你帮我处理一下！调度器！这是需要跟进 URL 你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14. 管道``调度器：好的，现在就做！

注意：只有当调度器中不存在任何 request 了，整个程序才会停止（也就是说，对于下载失败的 URL，Scrapy 也会重新下载。）

创建项目：

scrapy startproject 项目名

创建一个spider文件

scrapy genspider 文件名 网站地址

运行spider：

scrapy crawl name --nolog

3.制作 Scrapy 爬虫 一共需要 4 步

（1）新建项目 （Scrapy startproject xxx）：新建一个新的爬虫项目
（2）明确目标 （编写 items.py）：明确你想要抓取的目标
（3）制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
（4）存储内容 （pipelines.py）：设计管道存储爬取内容

4.scrapy写项目的步骤

1.scrapy startproject 项目名

2.scrapy genspider 文件名 网站地址

3.设置settings里面的：
	robots协议
	DEFAULT_REQUEST_HEADERS把urse_agent设置进去
	
4.写spider里面的内容了。
	 （1）确定需要爬取的url
		start_urls = []
		
	 （2）在parse方法里面来测试一下response是否能获取
	 
	 （3）解析数据
	 
	 （4）在items这个文件中定义我们需要截取的数据的名称。
		title = scrapy.Field()
		comment = scrapy.Field()
		
	 （5）在parse方法里面先实例化item
		item = QiushiItem()
		
	 （6）获取数据
		item['title'] = title
        item['comment'] = comment
		
	 （7）yield item
	
5.piplines.py中处理item
import pymongo

class MongoPipeline(object):

    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DATABASE', 'items')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        collection_name = item.__class__.__name__
        print(collection_name)
        self.db[collection_name].insert(dict(item))
        return item
		
6.在settings中设置：
MONGO_URI = 'localhost'
MONGO_DATABASE = 'qiushi'
打开：
ITEM_PIPELINES = {
   'qiushi.pipelines.MongoPipeline': 300,
}

5.scrapy示例（爬取猫眼电影）

maoyan_spider.py文件:

import scrapy
from maoyan.items import MaoyanItem


class MaoyanSpiderSpider(scrapy.Spider):
    name = 'maoyan'
    allowed_domains = ['www.maoyan.com']
    start_urls = []
    for i in range(1,11):
        base_url = 'https://maoyan.com/board/4?offset={}'.format((i-1)*10)
        # https://maoyan.com/board/4?offset=20

        start_urls.append(base_url)
    def parse(self, response):
        item=MaoyanItem()

        dd_list = response.xpath('//dl[@class="board-wrapper"]/dd')

        for site in dd_list:

            title=site.xpath('.//div[@class="movie-item-info"]/p[@class="name"]/a/text()').extract_first()

            actor=site.xpath('.//div[@class="movie-item-info"]/p[@class="star"]/text()').extract_first()


            start_time=site.xpath('.//div[@class="movie-item-info"]/p[@class="releasetime"]/text()').extract_first()



            item['title']=title
            item['actor']=actor
            item['start_time']=start_time
            print(item)
            yield item

items.py文件：

import scrapy


class MaoyanItem(scrapy.Item):

    # define the fields for your item here like:
    
    title = scrapy.Field()
    actor = scrapy.Field()
    start_time = scrapy.Field()

pipelines.py文件：

import pymongo


class MaoyanPipeline(object):
    def __init__(self,mongo_url,mongo_db):
        self.mongo_url = mongo_url
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls,crawler):
        return cls(
            mongo_url=crawler.settings.get('MONGO_URL'),
            mongo_db=crawler.settings.get('MONGO_DATABASE','items')
        )

    def open_spider(self,spider):
        self.client=pymongo.MongoClient(self.mongo_url)
        self.db=self.client[self.mongo_db]

    def close_spider(self,spider):
        self.client.close()


    def process_item(self, item, spider):
        collection_name=item.__class__.__name__
        print(collection_name)
        self.db[collection_name].insert(dict(item))
        return item

settings.py文件：

BOT_NAME = 'maoyan'

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

ROBOTSTXT_OBEY = False

DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
}

ITEM_PIPELINES = {
   'maoyan.pipelines.MaoyanPipeline': 300,
}

MONGO_URI = 'localhost'
MONGO_DATABASE = 'maoyan'

爬取效果：