Scrapy:安装介绍

在这之前我们先了解一下什么是Scrapy?

• 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安装

Scrapy框架因为功能十分强大，所以依赖很多库，不能直接安装，需要先安装依赖库，因为我的电脑在Windows下，所以这里展示Windows下的安装方法（如果有其他平台的需要，欢迎给我留言我在发出来）
需要安装4个依赖库分别是

• lxml（这个最重要），使用pip命令安装

  pip3 install lxml
  若没有报错，则安装成功，如果报错提示缺少libxml2 库，
  可以使用wheel文件进行安装 libxml2
  

• pyOpenSSL

    需要在官网下载wheel文件 pyOpenssL
    下载后使用
    pip3 install pyOpenSSL-17.2.0-py2.py3-none-any.whl
  

• Twisted

    同理，需要在官网下载wheel文件 Twisted,但是有一件事，一定要记得在控制台下输入
  

python
查看你的电脑版本和python版本，然后在上面的地址中下载对应的wheel文件
然后使用命令安装
pip3 install Twisted-17.5.0-cp36-cp36m-win_amd64.whl

• PyWin32

    在官网下载对应版本的安装包双击安装即可 pywin32
    在依赖包全部安装成功前提下安装Scrapy框架，使用pip命令
  

pip3 install Scrapy

就证明 Scrapy 已经安装好了

Scrapy使用

使用之前你要清楚这么一件事，Scrapy框架和你自己编写的区别，我理解的区别就是没什么区别，你编写的爬虫也是为了抓取数据，框架也是为了抓取数据，唯一有一定不同的就是，不管是我们现在所说的Scrapy框架还是其他的爬虫框架都是使爬虫功能模块话，把各种爬虫需求分开来，你只要使用你的项目所需要的模块就够了！
你还需要知道这么几条常用的命令

创建项目：scrapy startproject xxx

进入项目：cd xxx #进入某个文件夹下

创建爬虫：scrapy genspider xxx（爬虫名） xxx.com （爬取域）

生成文件：scrapy crawl xxx -o xxx.json (生成某种类型的文件)

运行爬虫：scrapy crawl XXX

列出所有爬虫：scrapy list

获得配置信息：scrapy settings [options]

那么我们现在来说说Scrapy框架的基本使用也是一样分为几部分

scrapy startproject tutorial

我们来看看Scrapy项目下都有些什么

scrapy.cfg: 项目的配置文件

tutorial/: 该项目的python模块。在此放入代码（核心）

tutorial/items.py: 项目中的item文件.（这是创建容器的地方，爬取的信息分别放到不同容器里）

tutorial/pipelines.py: 项目中的pipelines文件.

tutorial/settings.py: 项目的设置文件.（我用到的设置一下基础参数，比如加个文件头，设置一个编码）

tutorial/spiders/: 放置spider代码的目录. （放爬虫的地方）

容器（items）的定义，容器不一定是一开始全部都定义好的，可以跟随项目的更新一点点向里面添加

import scrapy

class DmozItem(scrapy.Item): #创建一个类，继承scrapy.item类，就是继承人家写好的容器

title = scrapy.Field() # 需要取哪些内容，就创建哪些容器

link = scrapy.Field()

desc = scrapy.Field()

一个简单的爬虫小例子

import scrapy
class DmozSpider(scrapy.Spider): # 继承Spider类
    name = "dmoz" # 爬虫的唯一标识，不能重复，启动爬虫的时候要用
    allowed_domains = ["dmoz.org"] # 限定域名，只爬取该域名下的网页
    start_urls = [ # 开始爬取的链接
        "https://www.baidu.com/"
    ]
    def parse(self, response):
        filename = response.url.split("/")[-2] # 获取url，用”/”分段，获去倒数第二个字段
        with open(filename, 'a') as f:
            f.write(response.body) # 把访问的得到的网页源码写入文件

里面的parse方法，这个方法有两个作用
1.负责解析start_url下载的Response 对象，根据item提取数据（解析item数据的前提是parse里全部requests请求都被加入了爬取队列）
2.如果有新的url则加入爬取队列，负责进一步处理，URL的Request 对象
这两点简单来说就是编写爬虫的主要部分

那么爬虫编写完，我们需要启动爬虫

cd XXX

进入到你的文件夹下
输入命令,启动爬虫

scrapy crawl dmoz

那么启动爬虫时发生了什么？
Scrapy为Spider的 start_urls 属性中的每个url创建了Request 对象，并将 parse 方法作为回调函数(callback)赋值给了requests,而requests对象经过调度器的调度，执行生成response对象并送回给parse() 方法进行解析,所以请求链接的改变是靠回调函数实现的。

yield scrapy.Request(self.url, callback=self.parse)

Scrapy框架的整体架构和组成

图中绿色的是数据的流向:
Spiders： 爬虫，定义了爬取的逻辑和网页内容的解析规则，主要负责解析响应并生成结果和新的请求
Engine： 引擎，处理整个系统的数据流处理，出发事物，框架的核心。
Scheduler： 调度器，接受引擎发过来的请求，并将其加入队列中，在引擎再次请求时将请求提供给引擎
Downloader： 下载器，下载网页内容，并将下载内容返回给spider
ItemPipeline： 项目管道，负责处理spider从网页中抽取的数据，主要是负责清洗，验证和向数据库中存储数据
Downloader Middlewares： 下载中间件，是处于Scrapy的Request和Requesponse之间的处理模块
Spider Middlewares: spider中间件，位于引擎和spider之间的框架，主要处理spider输入的响应和输出的结果及新的请求middlewares.py里实现

最后我们来顺一下scrapy框架的整体执行流程：

1. spider的yeild将request发送给engine
2. engine对request不做任何处理发送给scheduler
3. scheduler，生成request交给engine
4. engine拿到request，通过middleware发送给downloader
5. downloader在\获取到response之后，又经过middleware发送给engine
6. engine获取到response之后，返回给spider，spider的parse()方法对获取到的response进行处理，解析出items或者requests
7. 将解析出来的items或者requests发送给engine
8. engine获取到items或者requests，将items发送给ItemPipeline，将requests发送给scheduler（ps，只有调度器中不存在request时，程序才停止，及时请求失败scrapy也会重新进行请求）

Scrapy的中间件详解