【2023最新】Scrapy框架教程一-Scrapy的创建与启动及Scrapy基础命令

Scrapy框架

Scrapy 是一个快速的高级网络爬虫和网络抓取框架，用于 抓取网站并从其页面中提取结构化数据。它可以被使用 用途广泛，从数据挖掘到监控和自动化 测试。

scrapy官网学习网址：https://docs.scrapy.org/en/latest/

Scrapy五大组件

'''
Scrapy是一个Python编写的开源网络爬虫框架，它的五大核心组件包括：

1.引擎（Engine）：是Scrapy的核心，负责控制整个爬虫流程的运行，包括调度器（Scheduler）、下载器（Downloader）和管道（Pipeline）等组件的协调工作。

2.调度器（Scheduler）：负责接受引擎发送过来的请求，并将其加入到队列中，队列会自动去重，等待下载器进行下载。同时，调度器还会根据一定的策略，从队列中选择一定数量的请求发送给下载器进行处理。

3.下载器（Downloader）：负责将调度器发送过来的请求进行处理，并将响应数据返回给引擎。下载器还可以处理一些请求的中间件，如代理、用户代理等。

4.爬虫（Spider）：负责定义爬取网站的规则，包括起始URL、如何跟踪链接、如何解析页面等。爬虫会将爬取到的数据交给管道进行处理。

5.管道（Pipeline）：负责处理爬虫爬取到的数据，包括清洗、去重、存储等。管道可以定义多个，用于对不同类型的数据进行处理

工作流程：
引擎先获取爬虫文件的起始url连接，传递给调度器，由调度器进行安排顺序（同时去除重复连接），之后便让引擎给下载器，引擎给下载器的需要过下载中间件的手，该做代理做代理，该换请求头换请求头，下载器拿到包装好的需要请求的东西，向互联网进行请求，获取下载来的数据（response）给下载中间件，下载中间件过一手让引擎给爬虫文件，爬虫文件开始解析，如果还需要请求的，再重复上面的步骤，需要存储的，通过item给管道，管道开始存储，保存为Mysql,Mongodb,csv等
'''

Scrapy五大文件

items.py ： 管道文件，用来传输文件到pipelines.py进行保存

middlewares.py ： 中间件，可以用来设置ua，ip代理，selenium等等等，可为 Scrapy 添加其他功能。我们可以将很多开源中间件附加到 Scrapy 以获得额外的功能。

pipelines.py：保存文件的地方，可以把管道文件传输过来的数据进行保存，保存为Mysql，mongodb,csv等等等

settings.py：设置爬虫的地方，像管道保存是否开启，日志输出等等等

spiders下的爬虫文件：是我们核心的文件，用来爬取数据，分析数据的文件

Scrapy创建项目

首先安装scrapy

# 使用清华源安装scrapy
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple Scrapy

前提:路径切换 cd  
需要cd到你准备放scrapy的文件下

1. 创建scrapy项目
scrapy startproject 项目名

例：
scrapy startproject douban

创建后显示这个样就成功了

他的意思是让我们创建爬虫文件，因为爬虫文件需要我们输入爬虫名字和域名

2.1 先cd到路径
cd douban

2.2 创建爬虫程序
scrapy genspider example example.com

scrapy genspider：固定的
example：爬虫程序的名字(不固定的) 不能和项目名一样
example.com：可以允许爬取的范围(不固定的) 是根据你的目标url来指定的 其实很重要 后面是可以修改的

例：
目标url：https://www.douban.com/doulist/124084417/?start=0&sort=seq&playable=0&sub_type=

scrapy genspider douban_data www.douban.com

douban_data.py 解读

import scrapy  # 导入模块

# 爬虫类，项目启动后会自动运行这个类
class DoubanDataSpider(scrapy.Spider):
    # 爬虫程序的名字
    name = 'douban_data'
    # 可以爬取的范围
    # 有可能我们在实际进行爬取的时候  第一页可能是xxx.com 第三页可能就变成了xxx.cn 
    # 或者xxx.yy 那么可能就会爬取不到数据
    # 所以我们需要对allowed_domains进行一个列表的添加
    allowed_domains = ["www.douban.com"]
    # 起始url地址  会根据我们的allowed_domains对网页前缀进行一定的补全 
    # 但有时候补全的url不对 所以我们也要去对他进行修改
    start_urls = ["https://www.douban.com"]

    # 专门用于解析数据的
    def parse(self, response):
        pass

Scrapy启动项目

scrapy启动之前需要先设置

关于settings文件点击查看 Scrapy_settings配置文件设置

settings.py 设置

# 设置UA，但不常用，一般都是在MiddleWare中添加
from fake_useragent import UserAgent
USER_AGENT = UserAgent().random

# 遵循robots.txt中的爬虫规则
ROBOTSTXT_OBEY = False# 需要改成False,要不然很多东西爬不了

这里先随便设置一个UA,后面会详细讲解，目前在不保存文件的情况下，只需要更改这两个设置就可以了

在设置好之后，我们在简单写一下爬虫文件

douban_data.py

import scrapy


class DoubanDataSpider(scrapy.Spider):
    name = "douban_data"
    allowed_domains = ["www.douban.com"]
    # 把url换成我们需要爬取的
    start_urls = ["https://www.douban.com/doulist/124084417/?start=0&sort=seq&playable=0&sub_type="]
    
    # 爬虫函数 添加**kwargs就不会报黄
    def parse(self, response,**kwargs):
        print(response)
        print(response.text)

爬虫文件我们只修改了要爬取的url

打印响应的数据

接下来就可以启动项目了

启动项目有三种方法

启动项目第一种方法

在项目的终端输入启动命令

4. 执行爬虫程序
scrapy crawl example

scrapy crawl：固定的
example：执行的爬虫程序的名字，就是创建爬虫程序scrapy genspider example example.com 

例：
scrapy crawl douban_data

可以看到启动成功，但是他在终端不能选择数据啥的，及其的不方便

启动项目第一种方法

在settings同级文件下创建一个启动项目的文件

start.py文件

# 第一种
from scrapy import cmdline
cmdline.execute("scrapy crawl douban_data".split())

# # 启动不带日志第一种方法
# --nolog 关闭日志文件输出
# cmdline.execute('scrapy crawl douban_data --nolog'.split())  # 启动爬虫命令

# 启动不带日志第二种方法
# -s LOG_ENABLED=False 关闭日志文件输出
# cmdline.execute('scrapy crawl douban_data -s LOG_ENABLED=False'.split())  # 启动爬虫命令


# 第二种
# 使用系统模块的system函数运行命令
import os
# os.system('scrapy crawl douban_data')  # 启动爬虫命令


# 启动不带日志第一种方法
# --nolog 关闭日志文件输出
# os.system('scrapy crawl douban_data --nolog')  # 启动爬虫命令

# 启动不带日志第二种方法
# -s LOG_ENABLED=False 关闭日志文件输出
# os.system('scrapy crawl douban_data -s LOG_ENABLED=False')  # 启动爬虫命令

这里给大家列举好了，随便选一种取消注释运行即可

关于日志输出，可以在启动时临时设置

也可以在settings文件永久设置

Scrapy总结基础命令

1. 创建scrapy项目
scrapy startproject 项目名

例：scrapy startproject douban


2.1 先cd到路径
cd douban

2.2 创建爬虫程序
scrapy genspider example example.com

scrapy genspider：固定的
example：爬虫程序的名字(不固定的) 不能和项目名一样
example.com：可以允许爬取的范围(不固定的) 是根据你的目标url来指定的 其实很重要 后面是可以修改的

例：目标url：https://www.douban.com/doulist/124084417/?start=0&sort=seq&playable=0&sub_type=

scrapy genspider douban_data www.douban.com


4. 执行爬虫程序
scrapy crawl example

scrapy crawl：固定的
example：执行的爬虫程序的名字，就是创建爬虫程序scrapy genspider example example.com 

例：scrapy crawl douban_data

可以通过start.py文件执行爬虫项目：
from scrapy import cmdline
cmdline.execute("scrapy crawl bd".split())

scrapy其实就是把我们平时写的爬虫进行了四分五裂式的改造. 对每个功能进行了单独的封装, 并且, 各个模块之间互相的不做依赖. 一切都由引擎进行调配. 这种思想希望你能知道. 让模块与模块之间的关联性更加的松散. 这样我们如果希望替换某一模块的时候会非常的容易. 对其他模块也不会产生任何的影响。

下一篇文章讲Scrapy的管道文件，以及Scrapy翻页处理和scrapy请求二级网址