Python 爬虫之Scrapy《上》

什么是Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以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。

工作流程是怎么样的

下图是从网络上找的一张Scrapy的工作流程图，并且标注了相应的中文说明信息：

Scrapy框架的六大组件

它们分别是：

调度器(Scheduler)
下载器(Downloader)
爬虫（Spider）
中间件（Middleware）
实体管道(Item Pipeline)
Scrapy引擎(Scrapy Engine)

工作流程如下

Step1. 当爬虫（Spider）要爬取某URL地址的页面时，使用该URL初始化Request对象提交给引擎（Scrapy Engine），并设置回调函数，Spider中初始的Request是通过调用start_requests() 来获取的。start_requests() 读取start_urls 中的URL，并以parse为回调函数生成Request 。

备注：你所创建的项目名.py 文件里面有一个列表：start_urls=[‘http://lab.scrapyd.cn/page/1/‘] （这是我的示例），这里的start_requests() 读取的start_urls 就是来自于这里，这个文件在大家创建爬虫项目时会自动新建。parse()这个回调函数也是自动创建的。只是简单的定义了一下，如下所示：

def parse(self, response):    pass

Step2. Request对象进入调度器(Scheduler) 按某种算法进行排队，之后的每个时刻调度器将其出列，送往下载器。

备注：Scheduler的作用就是对请求的调度，包括过滤，请求的入队和出队操作。

Step3. 下载器（Downloader）根据Request对象中的URL地址发送一次HTTP请求到网络服务器把资源下载下来，并封装成应答包(Response)。

备注：相当于就是将获取的页面资源数据信息转化为Response实例，以便传递给Spider 的Parse() 函数继续处理。

Step4. 应答包Response对象最终会被递送给爬虫（Spider）的页面解析函数进行处理。

备注：这个页面解析函数就是步骤一里面提到的parse() 函数，它是创建项目时自动生成的。

Step5. 若是解析出实体（Item），则交给实体管道（Item Pipeline）进行进一步的处理。

由Spider返回的Item将被存到数据库(由某些Item Pipeline处理)或使用Feed exports存入到文件中。

备注：实体（Item) 实际上就是指我们要获取的数据

Step6. 若是解析出的是链接（URL）,则把URL交给调度器(Scheduler)等待抓取。

备注：这里有一种循环调用的感觉，解析的item如果是url就重复整个工作流程。

如何安装与简单使用

1.安装就很简单了，一条命令搞定：
python3 -m pip install scrapy #这个可能需要花掉一段时间，如果你的网络快可能就比较快，如果你出现超时导致没有安装成功可以继续执行这个命令

检验是否安装成功：进入python3 的命令行，输入import scrapy 如果没有报错就表示安装成功了。

2.简单使用说明：
Step1. 开始创建一个Scrapy 项目，我这里以爬取lab为示例
scrapy startproject lab #创建新的Scrapy项目，注意一下，如果此命令没有你就需要配置一下Scrapy 的环境变量

cd lab #进入创建的项目目录

scrapy genspider labs http://lab.scrapyd.cn/page/1/ # 生成spider 代码

Step2. 定义提取的Item

class LabItem(scrapy.Item):     title = scrapy.Field()    author = scrapy.Field()

Step3. 编写解析Parse函数

def parse(self, response):    items=LabItem() #实例化一个数据对象，用于返回    for sel in response.xpath('//div[@class="col-mb-12 col-8"]'):        print(sel)        for i in range(len(sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()'))):            title = sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()')[i].get()            author = sel.xpath('//div[@class="quote post"]//small[@class="author"]/text()')[i].get()            items["title"]=title            items["author"] = author            yield items #返回提出来的每一个数据对象

Step4. 编写Pipeline 来提取Item数据

from itemadapter import ItemAdapterimport json
class FilePipeline(object):
    def open_spider(self, spider):        print("当爬虫执行开始的时候回调:open_spider")
    def __init__(self):        print("创建爬虫数据存储文件")        self.file = open('test.json',"w", encoding="utf-8")
    def process_item(self, item, spider):        print("开始处理每一条提取出来的数据")        content = json.dumps(dict(item),ensure_ascii=False)+"\n"        self.file.write(content)        return item
    def close_spider(self, spider):        print("当爬虫执行结束的时候回调:close_spider")        self.file.close()
这里是自定义的一个pipeline,所以还需要在setting.py 文件里面把它配置上，如下：ITEM_PIPELINES = {   'lab.pipelines.FilePipeline': 300,}