python爬虫方便好用的Scrapy框架入门讲解+实战案例

一、Scrapy是什么？

1，Scrapy是用纯Python实现一个为了爬取网站数据、提取数据结构二编写的应用框架，用途非常广泛。
2，框架的力量，用户需要定制开发几个模块就可以实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。
3，Scrapy使用了Twisted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，并且包含了各自中间件接口，可以灵活的完成各种需求。

二、Scrapy框架图

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

●Scheduler (调度器):它负责接受引擎发送过来的Request请求，井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。

●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，

●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)。

●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.

●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。

●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spider中间通信的功能组件(比如进入spider的Responses;和从Spider出去的Requests)

我们可以通过一个小故事来了解具体流程

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xxx.com。start. urls=[ ]
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xxxxxx.com.
5.引擎: HI!‘ 调度器‘ ,我这有request请求你帮我排序入队-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-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- -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:只有当调废霉没有request需要处理时，整个程序才会停止。(对于 下载失败的URL, Scrapy也会重新下载)

三、制作Scrapy框架

1.安装scrapy库

我们打开终端输入命令：

pip install Scrapy

2,制作Scrapy爬虫-共需要4步:

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

1. 新建项目(scrapy startproject)

在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：

scrapy startproject myspider

其中， myspider 为项目名称，可以看到将会创建一个 myspider 文件夹，目录中有许多文件：

下面来简单介绍一下各个主要文件的作用：

• scrapy.cfg ：项目的配置文件
• mySpider/items.py ：项目的目标文件
• mySpider/pipelines.py ：项目的管道文件
• mySpider/settings.py ：爬虫项目的设置文件
  这里我们需要将其中的robots协议改成False不然会影响我们的爬取

• mySpider/spiders/ ：存储爬虫代码目录

2. 明确目标(mySpider/items.py)

我们打算抓取：http://www.zongheng.com/rank/details.html?rt=3&d=1 网站里第一页的小说名字，作者，类型，简介。

1. 打开myspider目录下的items.py

2. Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。

3. 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系，这里我也不是很了解大就是远程连接数据库的意思吧）。

4. 接下来，创建一个NovelspiderItem类，和构建item模型（model）。

import scrapy  # 引入模块

# 定义一个NovelspiderItem的类
class NovelspiderItem(scrapy.Item):
    name = scrapy.Field()  # 小说名字
    auto = scrapy.Field()  # 小说作者
    typ = scrapy.Field()   # 小说类型
    info = scrapy.Field()  # 小说简介

3.制作爬虫 （spiders/itcastSpider.py）

爬虫功能要分两步：

1. 爬数据

• 在当前目录下（spiders）输入命令，将在myspider/spiders目录下创建一个名为novel的爬虫，并指定爬取域的范围：

scrapy genspider novel

• 打开 myspider/spiders目录里的 novel.py，默认增加了下列代码:

import scrapy

# 定义一个类继承了scrapy.Spider
class NovelSpider(scrapy.Spider): 
    name = 'novel'  #爬虫名字，必须唯一
    #allowed_domains = ['http://www.zongheng.com']  注释掉这个会影响我们的爬取范围
    start_urls = ['http://www.zongheng.com/rank/details.html?rt=3&d=1']  # 需要爬取的网站

    def parse(self, response):
        pass        

其实也可以由我们自行创建novel.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

• name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

• allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

• parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

  1. 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
  2. 生成需要下一页的URL请求。

将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.zongheng.com/rank/details.html?rt=3&d=1",)

修改parse()方法

 def parse(self, response):
      with open('novel.html', 'w', encoding='utf-8') as f:
          f.write(response.text)

然后在Terminal中进入myspider目录下输入命令并回车：

scrapy crawl itcast

一个Scrapy爬虫项目里，可以存在多个爬虫。各个爬虫在执行时，就是按照 name 属性来区分。

运行之后，如果打印的日志出现
[scrapy] INFO: Spider closed (finished)，代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。

2. 取数据

• 爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

!DOCTYPE html>

<html>



<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>

<meta name="copyright" content="本页版权 www.zongheng.com 纵横中文网所有。All Rights Reserved"/>

<meta name="renderer" content="webkit">

<meta http-equiv="X-UA-Compatible" content="IE=edge">

<link rel="shortcut icon" href="https://static.zongheng.com/favicon.ico" />

是不是一目了然？直接上XPath开始提取数据吧。

• 我们之前在myspider/items.py 里定义了一个NovelspiderItem类。 这里引入进来

from ..items import NovelspiderItem

• 然后将我们得到的数据封装到一个 ItcastItem 对象中，可以保存每个老师的属性：

import scrapy
from ..items import NovelspiderItem
# 定义一个类继承了scrapy.Spider
class NovelSpider(scrapy.Spider):
    name = 'novel'
    #allowed_domains = ['http://www.zongheng.com']  注释掉这个会影响我们的爬取范围
    start_urls = ['http://www.zongheng.com/rank/details.html?rt=3&d=1']  # 需要爬取的网站

    def parse(self, response):
        # 将我们得到的数据封装到一个 `NovelspiderItem()` 对象
        item = NovelspiderItem()  
                                                                                   # extract作用为提取正文
        name = response.xpath('/html/body/div[2]/div[4]/div[2]/div[2]/div/@bookname').extract()
        auto = response.xpath('/html/body/div[2]/div[4]/div[2]/div[2]/div/div[2]/div[2]/@title').extract()
        typ = response.xpath('/html/body/div[2]/div[4]/div[2]/div[2]/div/div[2]/div[2]/a[2]/text()').extract()
        info = response.xpath('/html/body/div[2]/div[4]/div[2]/div[2]/div/div[2]/div[3]/text()').extract()
        # 利用枚举取出元素
        for i, sku in enumerate(name):
            item['name'] = sku
            item['auto'] = auto[i]
            item['typ'] = typ[i]
            item['info'] = info[i].replace('/n', '').replace('/r', '')
            #使用yield迭代返回数据
            yield item

• 我们暂时先不处理管道，后面会详细介绍。

保存数据

保存前我们还需要改一下中文的编码不然保存不到json文件中

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：

# json格式，默认为Unicode编码
scrapy crawl novel -o novel.jsonl

# json lines格式，默认为Unicode编码
scrapy crawl novel -o novel.json

# csv 逗号表达式，可用Excel打开
scrapy crawl novel -o novel.csv

# xml格式
scrapy crawl novel -o novel.xml

---

在Terminal中输入命令回车

scrapy crawl novel -o novel.json

总结

其实scrapy框架真的很方便，比较一般的爬虫我们需要写请求，需要保存数据，而且一个文件只能做一个爬虫（一般情况），而scrapy就很方便只需要写目标网站，然后寻找数据xpath路径分析即可，运行时 -o 加上文件名即可保存

我们再来看一下需要改的全部代码

目标文件

爬虫文件

设置文件

最后只需要在Terminal中输入

即可保存我们的数据