使用Scrapy，帮你快速抓取网页数据(代码可下载)！

    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，用来抓取网站数据、提取结构性数据以及各种图片，非常方便。Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。尽管Scrapy原本是设计用来屏幕抓取（更精确的说，是网络抓取），但它也可以用来访问API来提取数据。

如何安装？

打开网站：

https://www.lfd.uci.edu/~gohlke/pythonlibs/

在这个python第三方库里下载三个包：分别是lxml，twisted，scrapy。

我下载的是：

lxml-4.3.2-cp37-cp37m-win_amd64.whlScrapy-1.6.0-py2.py3-none-any.whlTwisted-18.9.0-cp37-cp37m-win_amd64.whl

cd 到放这三个包的文件夹下，依次pip3 install 上述三个.whl文件。

例如：

pip3 install lxml-4.3.2-cp37-cp37m-win_amd64.whlpip3 install Twisted-18.9.0-cp37-cp37m-win_amd64.whlpip3 install Scrapy-1.6.0-py2.py3-none-any.whl

全部安装完后，直接在命令行输入scrapy，看是否出现以下提示，如果出现则说明安装成功。​​​​​​​

Scrapy 1.6.0 - no active project
Usage:  scrapy  [options] [args]
Available commands:  bench         Run quick benchmark test  fetch         Fetch a URL using the Scrapy downloader  genspider     Generate new spider using pre-defined templates  runspider     Run a self-contained spider (without creating a project)  settings      Get settings values  shell         Interactive scraping console  startproject  Create new project  version       Print Scrapy version  view          Open URL in browser, as seen by Scrapy
  [ more ]      More commands available when run from project directory
Use "scrapy  -h" to see more info about a command

如果没有成功，在下面网址上下载相应的win插件。

https://sourceforge.net/projects/pywin32/files/pywin32/Build 221/

架构和流程

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

• 引擎(Scrapy)

    用来处理整个系统的数据流, 触发事务(框架核心)

• 调度器(Scheduler)

    用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个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

• 下载器(Downloader)

    用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

• 爬虫(Spiders)

    爬虫是主要干活的, 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

• 项目管道(Pipeline)

    负责处理爬虫从网页中抽取的实体，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。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

• 下载器中间件(Downloader Middlewares)

    位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

• 爬虫中间件(Spider Middlewares)

    介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

• 调度中间件(Scheduler Middewares)

    介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

 

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取

2. 引擎把URL封装成一个请求(Request)传给下载器

3. 下载器把资源下载下来，并封装成应答包(Response)

4. 爬虫解析Response

5. 解析出实体（Item）,则交给实体管道进行进一步的处理

6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

 

如何开始?

制作 Scrapy 爬虫一共需要四步：

1. 新建项目：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

 

豆瓣读书频道书籍信息爬取

创建工程

scrapy startproject pic

创建爬虫程序​​​​​​​

cd picscrapy genspider book douban.com

自动创建目录及文件

 

文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（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，如：Django的Model

• pipelines    数据处理行为，如：一般结构化的数据持久化

• 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，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

 

设置数据存储模板

items.py

​​​​​​​

import scrapyclass PicItem(scrapy.Item):    addr = scrapy.Field()    name = scrapy.Field()

编写爬虫

book.py

# -*- coding: utf-8 -*-import scrapyimport os# 导入item中结构化数据模板from pic.items import PicItem
class XhSpider(scrapy.Spider):    # 爬虫名称，唯一    name = "book"    # 允许访问的域    allowed_domains = ["douban.com"]    # 初始URL    start_urls = ['https://book.douban.com/']
    def parse(self, response):        # 获取所有图片的a标签        allPics = response.xpath('//div[@class="cover"]/a')        for pic in allPics:            # 分别处理每个图片，取出名称及地址            item = PicItem()            name = pic.xpath('./img/@alt').extract()[0]            addr = pic.xpath('./img/@src').extract()[0]            item['name'] = name            item['addr'] = addr            # 返回爬取到的数据            yield item

设置配置文件

settings.py增加如下内容

​​​​​​​

ITEM_PIPELINES = {'pic.pipelines.PicPipeline':100}USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'

编写数据处理脚本

pipelines.py

​​​​​​​

import urllib.requestimport os
class PicPipeline(object):    def process_item(self, item, spider):        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}        req = urllib.request.Request(url=item['addr'],headers=headers)        res = urllib.request.urlopen(req)        file_name = os.path.join(r'down_pic',item['name']+'.jpg')        with open(file_name,'wb') as fp:            fp.write(res.read())

 

执行爬虫

scrapy crawl book --nolog

 

执行结果

（关注公众号 ，回复：0703，可获取源码！）

往期回顾

• JupyterLab最全详解，如果你还在使用Notebook，那你就out了！

• Pandas教程：初学者入门必备，很全面，很详解！

• 在windows上安装Pandas的两种简单方法(pip&anaconda)

• 史上最全的Python基础语法知识清单

• Docker新手入门，最全详解看这里！

• 2020年使用最多的大数据分析工具