Python爬虫 ---scrapy框架初探及实战

Scrapy框架安装

操作环境介绍

操作系统： Ubuntu19.10
Python版本： Python3.7.4
编译器： pycharm社区版

安装scrapy框架（linux系统下）

安装scrapy框架最繁琐的地方在于要安装很多的依赖包,若缺少依赖包，则scrapy框架的安装就会报错。
不过anaconda环境中会自带lxml模块，可以免去一些步骤
在终端输入命令安装依赖包

sudo apt-get install python-dev
sudo apt-get install libevent-dev

根据提示输入y确认安装，耐心等待安装完成即可
安装完所需要的依赖包之后，就可以直接用pip安装scrapy框架了

pip install scrapy

在终端输入命令后，可能会出现网络响应超时等报错

经过几次的尝试之后，我认为这是软件源的问题导致下载过慢，建议更换清华的镜像源来安装

pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple

在命令的末尾加上-i来暂时使用指定的镜像源来安装scrapy框架
在排除其他问题的影响后，若安装速度依旧不理想，可多尝试几个源来安装

阿里云 http://mirrors.aliyun.com/pypi/simple/ 
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 
豆瓣(douban) http://pypi.douban.com/simple/ 
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/ 
中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

ok，我们可以看到更换源之后的下载速度有了显著的提升，只需要等待几秒钟就可以看到安装成功的标志

检测安装是否成功

打开终端,输入命令查看scrapy版本

scrapy --version

看到类似下图所示的版本信息:

再输入命令

scrapy bench

这条命令是调用scrapy去爬取一个空网址的内容，再输入命令之后，看到scrapy正在运行去爬取空网址的内容即安装成功了这个框架

Scrapy框架爬取原理

Scrapy框架的主体结构分为五个部分：

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，并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。

它还有两个可以自定义下载功能的中间件：

Downloader Middlewares（下载中间件）： 一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）： 一个可以自定扩展和操作引擎和Spider中间通信的功能组件。

Scrapy框架运行方式

由上图可以看出，引擎就相当于框架中的大脑，调配着其他部分的运作。

首先爬虫文件向引擎发送网址请求，在经由引擎将网址发送给调度器，调度器通过内部的函数将发来的网址进行队列操作，将排好队的网址重新发送回引擎。引擎接收到了发送回来的队列之后，便将请求交给下载器，由下载器从外部网页获取网页源码，将获取到的响应数据再发送回引擎。引擎接收到下载器发回的网页源码之后，再将数据传回爬虫文件，由爬虫文件负责对html数据的提取，等到数据提取完毕，再把数据发送给引擎。引擎对爬虫文件发送来的内容进行检测，若判断传过来的内容为数据，则引擎将数据发送给专门保存文件的管道数据，管道文件接收到发来的数据之后，就可以有选择的保存在数据库或文件中。

至此，一次完整的爬虫项目运行完成。

Scrapy框架实例

使用Scrapy爬取阿里文学

使用scrapy框架爬取的一般步骤

1.创建爬虫项目
2.创建爬虫文件
3.编写爬虫文件
4.编写items
5.编写pipelines
6.配置settings
7.运行scrapy框架

注：上面的步骤是使用scrapy的一般步骤，实际操作时可以根据爬取页面的难易度来调整这些步骤

1.创建爬虫项目

首先找到一个文件夹，用于保存项目的内容
打开终端，在该目录下输入：

scrapy startproject [项目名称]

成功创建

这时可以发现文件夹下多了一个以项目名称命名的文件夹

进入文件夹，发现里面已经有了框架的模板文件

init.py //初始文件
items.py //定义目标，想要爬什么信息
pipelines.py //爬后处理
middlewares.py //中间键
settings.py //文件的设置信息

2.创建爬虫文件

scrapy genspider [爬虫名] [想要爬取网址的域名]

注意：爬虫名一定不能与项目名一样，否则会创建失败

3.分析文件，编写爬虫文件

我们在上一步创建了爬虫文件之后会发现多出来一个py文件在项目名目录下

打开aliwx.py文件，开始分析网页，提取想要爬取的信息
打开阿里文学的官网首页，先设定我们想要爬取的内容为最近更新的书名及章节，使用xpath语法进行提取

打开项目文件夹下的spider文件夹，再打开我们刚刚所创建的爬虫文件
打开后可以看到一个基础的爬虫框架，我们要根据实际的需要来修改这个框架的内容

上面有红色箭头的地方就是我们主要修改的地方
首先将第一个指向的地址换成我们想要爬取的地址，即阿里文学的官网首页《https://www.aliwx.com.cn/》
第二个地方就是我们设置爬取内容的定制项

import scrapy

class AliwxSpider(scrapy.Spider):
    name = ‘aliwx‘
    allowed_domains = [‘aliwx.com.cn‘]
    start_urls = [‘https://www.aliwx.com.cn/‘]

    def parse(self, response):
        #选择所有a标签下的内容
        selectors = response.xpath("//ul[@class=‘list‘]/li[@class=‘tr‘]/a")  
        # 循环遍历每一个a标签,使书名和最新章节可以一对一匹配
        for selector in selectors:
            #提取a标签下的书名 . 表示在当前标签下继续选择
            book_name = selector.xpath("./span[2]/text()").get()  
            #提取a标签下的最新章节名
            book_new = selector.xpath("./span[3]/text()").get() 

            #打印书名和章节名
            print(book_name,book_new)

4.设置settings

打开settings文件，在文件中找到代码

这一行的意思是询问是否遵循爬虫协议，大致来讲就是协议规范了我们只能提取网站允许我们提取的内容，所以此处应该将True提换成False，否则我们很有可能提取不到想要的内容

5.运行scrapy框架

打开终端，将目录切换至项目文件夹下，输入命令行来运行项目

scrapy crawl [爬虫名]

等待项目运行完毕，即可看到爬取到的内容：

6.将爬取下来的内容保存到文件

如果想要将内容保存到文件中，就需要设置一个返回值来储存
将print(book_name,book_new)语句替换

items = {
                ‘name‘: book_name,
                ‘new‘: book_new,
            }

            yield items

再打开终端，输入运行并保存命令：

scrapy crawl aliwx -o book.csv

等待程序运行完成，就可以看到出现了一个book.csv文件在项目目录下，打开就是我们所保存的内容

到此为止一个最基本的爬虫项目就制作完成了，如果有哪里写的不好请大佬多多批评指正！