Scrapy入门学习

Scrapy

一. Scrapy简介

Scrapy是一个用于抓取网站和提取结构化数据的应用程序框架，可用于各种有用的应用程序，如数据挖掘、信息处理或历史存档。

尽管 Scrapy 最初是为网络抓取设计的，但它也可以用于使用 API（如Amazon Associates Web Services）提取数据，或用作通用网络爬虫。

其支持:

1. 使用扩展 CSS 选择器和 XPath 表达式，以及使用正则表达式进行提取的帮助器方法，内置支持从 HTML/XML 源中选择和提取数据。

2. 一个交互式外壳控制台（IPython 识别），用于尝试 CSS 和 XPath 表达式以抓取数据，在编写或调试爬虫时非常有用。

3. 内置支持生成信息导出，格式多样（JSON、CSV、XML），并将其存储在多个后端（FTP、S3、本地文件系统）中。

4. 强大的编码支持和自动检测，用于处理外来、非标准和损坏的编码声明。

5. 强大的可扩展性支持，允许您使用信号和明确定义的 API（中间件、扩展和管道）插入您自己的功能。

6. 用于处理的内置扩展和中间件范围广泛

   1. cookie 和会话处理

   2. HTTP 功能，如压缩、身份验证、缓存

   3. 用户代理欺骗

   4. robots.txt

   5. 抓取深度限制

   6. 以及更多

7. 一个Telnet 控制台，用于连接到 Scrapy 进程中运行的 Python 控制台，以自省和调试您的爬虫

以及其他好处，例如可重复使用的爬虫，用于从站点地图和 XML/CSV 信息中抓取站点，用于自动下载图像（或任何其他媒体）的媒体管道与抓取的项目相关联，一个缓存 DNS 解析器，以及更多！

二. Scrapy的安装

建议在专用虚拟环境 中安装(如 Anaconda 或 Miniconda), 以避免安装时与系统发生冲突。

1. 进入项目所在目录

在文件路径处输入cmd进入命令提示符

2. 安装软件包Scrapy

pip install Scrapy

3. 验证是否安装成功

进入激活后的虚拟环境对应项目目录，输入：

scrapy version

若出现对应scrapy版本号，即说明安装成功

三. Scrapy的基础使用

1. 创建项目

在开始爬取之前，您必须设置一个新的 Scrapy 项目。进入您想要存储代码的目录并运行

scrapy startproject tutorial

这将创建一个 tutorial 目录，其中包含以下内容

tutorial/
    scrapy.cfg            # deploy configuration file

    tutorial/             # project's Python module, you'll import your code from here
        __init__.py

        items.py          # project items definition file

        middlewares.py    # project middlewares file

        pipelines.py      # project pipelines file

        settings.py       # project settings file

        spiders/          # a directory where you'll later put your spiders
            __init__.py

2. 在tutorial/spiders目录下创建保存爬虫代码的项目文件

这里保存为quotes_spider.py

from pathlib import Path

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"

    def start_requests(self):
        urls = [
            "https://quotes.toscrape.com/page/1/",
            "https://quotes.toscrape.com/page/2/",
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = f"quotes-{page}.html"
        Path(filename).write_bytes(response.body)
        self.log(f"Saved file {filename}")

其中

    def start_requests(self):
        urls = [
            "https://quotes.toscrape.com/page/1/",
            "https://quotes.toscrape.com/page/2/",
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    # 可以替换为
    # 不要实现 start_requests() 方法，该方法从 URL 生成 scrapy.Request 对象，您只需定义一个 start_urls 类属性，其中包含 URL 列表。然后，start_requests() 的默认实现将使用此列表为您的 spider 创建初始请求。
    # 这是因为 parse() 是 Scrapy 的默认回调方法，它针对未明确分配回调的请求调用。
    start_urls = {
        "https://quotes.toscrape.com/page/1/",
        "https://quotes.toscrape.com/page/2/",
    }

3.运行爬虫

在该项目顶级目录下输入一下命令(在tutorial下)：

scrapy crawl quotes

这里的quotes必须跟 quotes_spider.py中的name属性保持一致

现在，检查当前目录中的文件,可以发现创建了两个新文件：quotes-1.html 和 quotes-2.html，其中包含各个 URL 的内容,与代码文件中的parse函数的指示一致。

过程为：
Scrapy 调度 scrapy.Request 对象，由 Spider 的 start_requests 方法返回。在收到每个对象的响应后，它实例化 Response 对象并调用与请求关联的回调方法（在本例中，是 parse 方法），将响应作为参数传递。

4.利用css选择器+Scrapy Shell提取数据

注意:在 Windows 上，要使用双引号将参数URL括起来

例如:

在shell命令中输入一下命令

scrapy shell "https://quotes.toscrape.com/page/1/"

运行结果如下:

例如:

response.css("title")
[<Selector query='descendant-or-self::title' data=''>]

response.css("title::text").getall()
['Quotes to Scrape']

response.css("title").getall()
[''] 

response.css("title::text").get()
'Quotes to Scrape'

response.css("title::text").re(r"Quotes.*")
['Quotes to Scrape']

response.css("title::text").re(r"Q\w+")
['Quotes']

response.css("title::text").re(r"(\w+) to (\w+)")
['Quotes', 'Scrape']

官方文档见：https://docs.scrapy.net.cn/en/latest/

---