这篇文章才是学习scrapy高效爬虫框架的正确姿势

絮叨一下

Scrapy 是一套基于基于Twisted的异步处理框架，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，非常方便

Scrapt五大基本构成

• Scrapy框架主要由五大组件组成，它们分别是调度器(Scheduler)、下载器(Downloader)、爬虫（Spider）和实体管道(Item
  Pipeline)、Scrapy引擎(Scrapy Engine)。下面我们分别介绍各个组件的作用。

• (1)、调度器(Scheduler):

调度器，说白了把它假设成为一个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（不做无用功）。用户可以自己的需求定制调度器。

• (2)、下载器(Downloader):

下载器，是所有组件中负担最大的，它用于高速地下载网络上的资源。Scrapy的下载器代码不会太复杂，但效率高，主要的原因是Scrapy下载器是建立在twisted这个高效的异步模型上的(其实整个框架都在建立在这个模型上的)。

• (3)、 爬虫（Spider）:

爬虫，是用户最关心的部份。用户定制自己的爬虫(通过定制正则表达式等语法)，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。

• (4)、 实体管道(Item Pipeline):

实体管道，用于处理爬虫(spider)提取的实体。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。

• (5)、Scrapy引擎(Scrapy Engine):

Scrapy引擎是整个框架的核心.它用来控制调试器、下载器、爬虫。实际上，引擎相当于计算机的CPU,它控制着整个流程。

如果还是不明白看一下csdn大佬整理的图

1.安装

• linux下安装：pip install scrapy

  安装一些依赖的文件sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
  如果报错：说error: command 'x86_64-linux-gnu-gcc' failed with exit objectstatus 1

  那就输入命令：sudo apt-get install python3.8-dev

• Windows安装：pip install scrapy

  安装一些依赖的文件pip install pypiwin32

2.新建项目

• 新建项目首先需要使用cd 切换进你想要存放的目录中然后输入：

  scrapy startproject 项目名
  

3.新建爬虫程序

• scrapy genspider 爬虫名 爬虫的域名 注意不可以使用跟项目名重名

4.项目目录结构

• items.py： 用来存放爬虫爬下来的数据的模型

    # 比如作者，以及内容
    import scrapy
    class ZonghengItem(scrapy.Item):
        name = scrapy.Field()
        time = scrapy.Field()
        type = scrapy.Field()
        introduction = scrapy.Field()
  

• middlewares.py： 用来存放各种中间件的文件

• pipelines.py： 将items的模型存储在本地磁盘中

  • 这里面有三个函数

    使用的时候需要取消掉settings.py中的

     ITEM_PIPELINES = {
     'qsbk.pipelines.QsbkPipeline': 300,
      }
    

      # 用来处理获取的item数据
      def process_item(self, item, spider):
          psaa
      
      # 打开爬虫的时候调用
      def open_spider(self):
        pass
    
      # 关闭爬虫的时候调用
      def close_spider(self):
        pass
    
    

• settings.py： 本爬虫的一些配置信息 比如请求头，代理等

5.运行

• 1.使用终端进入项目目录后输入命令scrapy crawl 爬虫名
• 2.新建一个py文件直接调用终端的方式

  from scrapy import cmdline
  cmdline.execute('scrapy crawl qsbk_spider'.split())
  

  如果报错：ModuleNotFoundError: No module named '_cffi_backend'
  使用命令：pip3 install cffi

6.解析数据

• 1.getall()方法：获取Selector中的所有文本，返回是一个列表
• 2.get()方法：获取Selector 中的第一个文本，返回的是一个str

7.保存成json格式

• 数据解析完毕之后，传给pipline.py处理，可以使用yield返回
  方法：from scrapy.exporters import JsonLinesItemExporter
  JsonLinemExporter():每次调用item 的时候就会把item存储进硬盘中，每个字典是一行，不满足json格式

  栗子：
  pipline.py:

      from scrapy.exporters import JsonLinesItemExporter
  
      class QsbkPipeline(object):
          def open_spider(self, spider):
              self.fp = open('item_json.json', 'wb')
              self.exporter = JsonLinesItemExporter(self.fp, ensure_ascii=False, encoding='utf-8')
      
          def process_item(self, item, spider):
              self.exporter.export_item(item)
              return item
      
          def close_spider(self, spider):
              self.fp.close()
  

8.scrapy shell 使用

• 方便进行测试
• 进入项目中使用命令：scrapy shell ‘url’

9.模板的使用：crawlspider

• 创建项目：scrapy startproject 项目
• 创建爬虫：scrapy genspider -t crawl 爬虫名 url
• LinkExtractor()类：
  • allow:允许的url地址
  • deny:禁止的url地址
  • allow_domanins:允许的域名
  • deny_domanins:禁止的域名
• rule()类
  • link_extractor:一个linkextractor对象用于定义爬虫的规则
  • callback:满足这个url地址 应该执行那个回调函数
  • follow:指定根据规则从response中提取的连接是否需要继续跟进
  • process_links:从link_extractor中获得这个连接后传递给这个函数，用来过滤不需要爬的url
• 运行：scapy crawl 爬虫名

10.post登陆

• 使用request的子类FormRequest来实现，重写start_requests(self)方法,默认post请求
• 区分request以及formrequest

  • scrapy.Request(url=url,method=“POST”,body=formdata,cookies=self.cookie,headers=self.headers,callback=self.get_goods_list)
    其中formdata 是字符串，需要使用json.dumps()进行格式的转换 method 默认是get请求，headers设置头文件，如果在setting中设置好了，这里可以省略，callback即为回调函数

  • scrapy.FormRequest(url=url,formdata=formdata,cookies=self.cookie,headers=self.headers,callback=self.get_goods_list)，这里的formdata是dict格式的，里面不能存在数字，如果有数字用引号括起来；

• 举个例子：
  模拟登录豆瓣：

      # 首先重写start_request方法 ，进行访问豆瓣并返回一个json
     def start_requests(self):
          yield scrapy.Request('https://www.douban.com/',callback=self.login)
      # 然后进行登录操作
      def login(self,response):
          url = 'https://accounts.douban.com/j/mobile/login/basic'
          # 以dict 的形式进行封装
          data = {
              "ck": "",
              "name": "Linux下撸python",
              "password": "12123123",
              "remember": "false",
              "ticket": ""
          }
  
          yield scrapy.FormRequest(url,formdata=data,callback=self.next)  
  

11.scrapy内置下载方法

重用item pipelines 使用files pipeline 或者是 Images pipeline

• 优点：去重、异步下载效率高、方便指定文件的存储路径

下载文件 Files Pipeline

• 定义好Item 然后定义两个属性 分别是 file_urls 和 files files_urls 是需要下载的url列表类型;files 用来接收文件下载的相关信息，下载路径等
• 在setting 中配置FILES_STORE 配置下载路径
• 在ITEM_PIPELINES 中设置scrapy.pipeines.files.FilesPipeline:1

下载图片 Images Pipeline

• 定义好Item 然后定义两个属性 分别是 images_urls 和 images 跟Files Pipeline一样

  如果报错ImportError: cannot import name '_imaging' from 'PIL' (/usr/lib/python3/dist-packages/PIL/__init__.py) 请删除/usr/lib/python3/dist-packages/目录下的PIL 以及 pillow 然后pip3 install pillow 进行从重新安装

  重写file_path(self, request, response=None, info=None)在图片将要下载的时候会被调用，可以设置图片的存储路径

  def file_path(self, request, response=None, info=None):
  
     image_name = request.meta["item"]["img_name"]
     name = request.url
     name = name.split('/')[-1]
     path = image_name + '/' + name
     return path
  
  

  重写　get_media＿requests(self,item,info)在下载图片的时候调用，发送下载请求 可以遍历　item中的image_urls 就是

for url in item[“image_urls”]:
yield Resquest(url, mate={＂item＂:item})
```

12.下载器中间件

遇见反爬的网站，可以设置user-agent 以及　代理ip
两个类方法process_request(self,request,spider)　以及　process_response(self, request, response, spider)

• process_request(self,request,spider)

下载器发送请求的时候会被调用

返回None的时候：scrapy继续处理request 执行其他中间件

返回response的时候：不会在调用其他方法直接返回这个request

返回request的时候：不在使用之前的request而是使用新的request对象去下载数据

• process_response(self, request, response, spider)

  返回request的时候会将这个新的request传给其他中间件最终把数据返回给引擎

  返回response的时候：下载器链被切断返回request会重新被下载器调度

• 举个例子

  • 设置user-agent

   # 修改　middlewares 中的　DownloadDownloaderMiddleware　类
   def process_request(self, request, spider):
  
       User_Agent = ['Mozilla/5.0 (Linux; U; Android 8.1.0; zh-cn; BLA-AL00 Build/HUAWEIBLA-AL00) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/57.0.2987.132 MQQBrowser/8.9 Mobile Safari/537.36',
                   'Mozilla/5.0 (Linux; Android 8.1; PAR-AL00 Build/HUAWEIPAR-AL00; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/57.0.2987.132 MQQBrowser/6.2 TBS/044304 Mobile Safari/537.36 MicroMessenger/6.7.3.1360(0x26070333) NetType/WIFI Language/zh_CN Process/tools',
                     'Mozilla/5.0 (Linux; Android 8.1.0; ALP-AL00 Build/HUAWEIALP-AL00; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/63.0.3239.83 Mobile Safari/537.36 T7/10.13 baiduboxapp/10.13.0.11 (Baidu; P1 8.1.0)',
                     'Mozilla/5.0 (Linux; Android 6.0.1; OPPO A57 Build/MMB29M; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/63.0.3239.83 Mobile Safari/537.36 T7/10.13 baiduboxapp/10.13.0.10 (Baidu; P1 6.0.1)'
                     ]
       user_agent = random.choice(User_Agent)
       # 随机获取一个ｕa
       request.headers['User_Agent'] = user_agent
       # 设置请求头
  

  • 设置ip代理

  # 这个代理ｉp是我买的，还有一些可以用，分享给各位
  response_ip = requests.get('http://api.xdaili.cn/xdaili-api//greatRecharge/getGreatIp?spiderId=5346c9f212dd40c5bb4813ae9ad8f7e7&orderno=YZ2020330130VXPyHU&returnType=2&count=1').content.decode()
   # 通过api调用接口返回数据后进行解析
       ip_port = json.loads(response_ip)['RESULT'][0]['port']
       ip ="http://"+ json.loads(response_ip)['RESULT'][0]['ip'] +':' + ip_port
       # 进行拼接ip 不要忘记了添加上http://或者是https://
       request.meta['proxy'] = ip
  

写给看到最后的你

感谢你能看到最后，我想这便是给创作者的莫大鼓励
这篇文章只是一些基础的知识，我还在更新，毕竟还有很多要学．

公众号：Linux下撸python
期待和你再次相遇
愿你学的愉快