Python爬虫学习之scrapy库

 一、scrapy库安装

pip install scrapy -i https://pypi.douban.com/simple

二、scrapy项目的创建

1、创建爬虫项目    打开cmd  输入scrapy startproject 项目的名字
                  注意:项目的名字不允许使用数字开头  也不能包含中文
2、创建爬虫文件    要在spiders文件夹中去创建爬虫文件
                  cd 项目的名字\项目的名字\spiders
                  cd scrapy_baidu_091\scrapy_baidu_091\spiders

                  创建爬虫文件
                  scrapy genspider 爬虫文件的名字 要爬取网页
                  e.g.scrapy genspider baidu www.baidu.com
                  不需要添加http协议  因为start_urls的值是根据allowed_domains修改的
                  所以添加了http的话，那么start_urls就需要我们手动去修改
3、运行爬虫代码
                  scrapy crawl 爬虫名字
                  e.g.
                  scrapy crawl baidu

三、scrapy项目的基本使用

scrapy项目的结构
    项目名字
        项目名字
            spiders文件夹（存储的是爬虫文件）
                __init__
                自定义的爬虫文件   核心功能文件
            __init__
            items       定义数据结构的地方
            middlewares  中间件 代理
            pipelines   管道  用来处理下载的数据
            settings    配置文件    robots协议    user-agent定义等

四、scrapy文件里的response方法

1、response对象

        response.text 获取响应的字符串

        response.body 获取二进制数据

        response.url    获取请求路径

        response.status   获取状态码

2、response解析

        response.xpath 解析response中的内容，返回一个selector列表对象

        response.css    使用css_selector查询元素，返回一个selector对象

3、处理selector

        response.extract() 提取seletor对象的data属性

        response.extract_first() 提取seletor列表的第一个数据

五、scrapy的架构组成及工作原理

1、引擎

会自动组织所有的请求对象，分发给下载器

2、下载器

从引擎处获取到请求对象后，请求数据

3、spiders

定义爬取动作和解析网页

4、调度器

无需关注

5、pipeline

处理数据的管道，会预留接口用来处理数据

六、scrapy shell的使用

1、什么是scrapy shell？

Scrapy shell是Scrapy框架提供的一个交互式shell工具，用于快速开发和调试爬虫。它允许用户在不启动完整爬虫程序的情况下，以交互的方式加载和请求网页，并使用选择器和Scrapy的API来提取和处理数据。

2、scrapy shell作用

• 快速检查和测试网页的数据结构和内容；
• 调试和验证爬虫的选择器和提取规则；
• 测试和调试Scrapy的请求和响应处理逻辑；
• 使用Scrapy的内置命令行工具来实验性地进行数据提取和处理。

3、可以安装ipython，显示更智能

在命令行窗口，输入pip install ipython

4、scrapy shell的使用

在命令行窗口输入，scrapy shell www.baidu.com

然后就可以直接在命令行窗口用response方法

七、scrapy的应用

e.g.爬取网站书籍的名称和图片

（1）、spider文件

import scrapy
from scrapy_dangdang_096.items import ScrapyDangdang096Item

class DangSpider(scrapy.Spider):
    name = "dang"
    allowed_domains = ["category.dangdang.com"]
    start_urls = ["https://category.dangdang.com/cp01.54.92.01.00.00.html"]


    base_url = 'https://category.dangdang.com/pg'
    page = 1


    def parse(self, response):
# src = response.xpath('//ul[@id="component_59"]/li//img/@src')
#
# name = response.xpath('//ul[@id="component_59"]/li//img/@alt')
#
# price = response.xpath('//ul[@id="component_59"]/li//p[@class="price"]/span[1]')
        li_list = response.xpath('//ul[@id="component_59"]/li')

        #所有的selector对象都可以再次调用xpath
        for li in li_list:
            src = li.xpath('.//img/@data-original').extract_first()
            #第一张图片和其他图片的标签的属性是不一样的
            #第一张图片可以用src，其他图片的地址标签是data—original
            if src!=None:
                src = src
            else:
                src = li.xpath('.//img/@src').extract_first()

            name = li.xpath('.//img/@alt').extract_first()

            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()

            book = ScrapyDangdang096Item(src = src,name=name,price=price)

            #获取一个book就将book交给pipelines
            yield book

#https://category.dangdang.com/cp01.54.92.01.00.00.html
#https://category.dangdang.com/pg2-cp01.54.92.01.00.00.html
#https://category.dangdang.com/pg3-cp01.54.92.01.00.00.html

        if self.page<100:
            self.page=self.page+1

            url = self.base_url + str(self.page) + '-cp01.54.92.01.00.00.html'
                #怎么去调用parse方法
                #scrapy.Request就是scrapy的get请求
                #url就是请求地址
                #callback是你要执行的那个函数   注意不需要加（）

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

（2）、items.py文件

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class ScrapyDangdang096Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()

    #图片
    src = scrapy.Field()

    #名字
    name = scrapy.Field()

    #价格
    price = scrapy.Field()

（3）、pipelines.py文件

import urllib.request
#如果想使用pipelines,就要先在settings中打开pipelines
class ScrapyDangdang096Pipeline:
    #在爬虫文件开始之前执行
    def open_spider(self,spider):
        self.fp = open('book.json','w',encoding='utf-8')
    # item就是yield后面的对象
    def process_item(self, item, spider):

        self.fp.write(str(item))
        #(1)write 方法必须写字符串
        #(2)a模式是追加写
        # with open('book.json','a',encoding='utf-8') as fp:
        #     fp.write(str(item))
        return item
    def close_spider(self,spider):
        self.fp.close()


#多条管道开启
#(1)定义管道类
#(2)在settings中开启管道
#将'scrapy_dangdang_096.pipelines.DangDangDownloadPipeline':301写入pipelines.py文件
class DangDangDownloadPipeline:
    def process_item(self,item,spider):
        url = 'http:'+item.get('src')

        filename = './books'+item.get('name')+'.jpg'

        urllib.request.urlretrieve(url=url,filename=filename)



        return item

（4）、settings.py文件

这个文件里取消   ITEM_PIPELINES  的注释，即开启pipeline。

然后在字典中加入

#DangDangDownloadPipeline
   'scrapy_dangdang_096.pipelines.DangDangDownloadPipeline':301

，即开启多条pipeline。

总而言之：

ITEM_PIPELINES = {
    #pipelines可以有多个，管道是有优先级的，优先级的范围是1到1000，且值越小优先级越高
   "scrapy_dangdang_096.pipelines.ScrapyDangdang096Pipeline": 300,

   #DangDangDownloadPipeline
   'scrapy_dangdang_096.pipelines.DangDangDownloadPipeline':301
}