Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架。 其可以應用在數據挖掘，信息處理或存儲歷史數據等一系列的程序中。其最初是為了頁面抓取 (更確切來說, 網絡抓取 )所設計的， 也可以應用在獲取API所返回的數據(例如 Amazon Associates Web Services ) 或者通用的網絡爬蟲。Scrapy用途廣泛，可以用於數據挖掘、監測和自動化測試。
Scrapy 使用了 Twisted異步網絡庫來處理網絡通訊。整體架構大致如下
Scrapy主要包括了以下組件：
- 引擎(Scrapy)
用來處理整個系統的數據流, 觸發事務(框架核心) - 調度器(Scheduler)
用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL（抓取網頁的網址或者說是鏈接）的優先隊列, 由它來決定下一個要抓取的網址是什么, 同時去除重復的網址 - 下載器(Downloader)
用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的) - 爬蟲(Spiders)
爬蟲是主要干活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面 - 項目管道(Pipeline)
負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析后，將被發送到項目管道，並經過幾個特定的次序處理數據。 - 下載器中間件(Downloader Middlewares)
位於Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。 - 爬蟲中間件(Spider Middlewares)
介於Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的響應輸入和請求輸出。 - 調度中間件(Scheduler Middewares)
介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。
Scrapy運行流程大概如下：
- 引擎從調度器中取出一個鏈接(URL)用於接下來的抓取
- 引擎把URL封裝成一個請求(Request)傳給下載器
- 下載器把資源下載下來，並封裝成應答包(Response)
- 爬蟲解析Response
- 解析出實體（Item）,則交給實體管道進行進一步的處理
- 解析出的是鏈接（URL）,則把URL交給調度器等待抓取
一、安裝
1、安裝wheel pip install wheel 2、安裝lxml https://pypi.python.org/pypi/lxml/4.1.0 3、安裝pyopenssl https://pypi.python.org/pypi/pyOpenSSL/17.5.0 4、安裝Twisted https://www.lfd.uci.edu/~gohlke/pythonlibs/ 5、安裝pywin32 https://sourceforge.net/projects/pywin32/files/ 6、安裝scrapy pip install scrapy
注：windows平台需要依賴pywin32，請根據自己系統32/64位選擇下載安裝，https://sourceforge.net/projects/pywin32/
二、爬蟲舉例
入門篇：美劇天堂前100最新（http://www.meijutt.com/new100.html）
1、創建工程
scrapy startproject movie
2、創建爬蟲程序
cd movie scrapy genspider meiju meijutt.com
3、自動創建目錄及文件
4、文件說明：
- scrapy.cfg 項目的配置信息，主要為Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）
- items.py 設置數據存儲模板，用於結構化數據，如：Django的Model
- pipelines 數據處理行為，如：一般結構化的數據持久化
- settings.py 配置文件，如：遞歸的層數、並發數，延遲下載等
- spiders 爬蟲目錄，如：創建文件，編寫爬蟲規則
注意：一般創建爬蟲文件時，以網站域名命名
5、設置數據存儲模板
items.py
import scrapy
class MovieItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field()
6、編寫爬蟲
meiju.py
# -*- coding: utf-8 -*-
import scrapy
from movie.items import MovieItem
class MeijuSpider(scrapy.Spider):
name = "meiju"
allowed_domains = ["meijutt.com"]
start_urls = ['http://www.meijutt.com/new100.html']
def parse(self, response):
movies = response.xpath('//ul[@class="top-list fn-clear"]/li')
for each_movie in movies:
item = MovieItem()
item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]
yield item
7、設置配置文件
settings.py增加如下內容
ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}
8、編寫數據處理腳本
pipelines.py
class MoviePipeline(object):
def process_item(self, item, spider):
with open("my_meiju.txt",'a') as fp:
fp.write(item['name'].encode("utf8") + '\n')
9、執行爬蟲
cd movie scrapy crawl meiju --nolog
10、結果
進階篇：爬取校花網（http://www.xiaohuar.com/list-1-1.html）
1、創建一個工程
scrapy startproject pic
2、創建爬蟲程序
cd pic scrapy genspider xh xiaohuar.com
3、自動創建目錄及文件
4、文件說明：
- scrapy.cfg 項目的配置信息，主要為Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）
- items.py 設置數據存儲模板，用於結構化數據，如：Django的Model
- pipelines 數據處理行為，如：一般結構化的數據持久化
- settings.py 配置文件，如：遞歸的層數、並發數，延遲下載等
- spiders 爬蟲目錄，如：創建文件，編寫爬蟲規則
注意：一般創建爬蟲文件時，以網站域名命名
5、設置數據存儲模板
import scrapy
class PicItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
addr = scrapy.Field()
name = scrapy.Field()
6、編寫爬蟲
# -*- coding: utf-8 -*-
import scrapy
import os
# 導入item中結構化數據模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
# 爬蟲名稱，唯一
name = "xh"
# 允許訪問的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = ['http://www.xiaohuar.com/list-1-1.html']
def parse(self, response):
# 獲取所有圖片的a標簽
allPics = response.xpath('//div[@class="img"]/a')
for pic in allPics:
# 分別處理每個圖片，取出名稱及地址
item = PicItem()
name = pic.xpath('./img/@alt').extract()[0]
addr = pic.xpath('./img/@src').extract()[0]
addr = 'http://www.xiaohuar.com'+addr
item['name'] = name
item['addr'] = addr
# 返回爬取到的數據
yield item
7、設置配置文件
# 設置處理返回數據的類及執行優先級
ITEM_PIPELINES = {'pic.pipelines.PicPipeline':100}
8、編寫數據處理腳本
import urllib2
import os
class PicPipeline(object):
def process_item(self, item, spider):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}
req = urllib2.Request(url=item['addr'],headers=headers)
res = urllib2.urlopen(req)
file_name = os.path.join(r'D:\my\down_pic',item['name']+'.jpg')
with open(file_name,'wb') as fp:
fp.write(res.read())
9、執行爬蟲
cd pic scrapy crawl xh --nolog
結果：
終極篇：我想要所有校花圖
注明：基於進階篇再修改為終極篇
# xh.py
# -*- coding: utf-8 -*-
import scrapy
import os
from scrapy.http import Request
# 導入item中結構化數據模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
# 爬蟲名稱，唯一
name = "xh"
# 允許訪問的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = ['http://www.xiaohuar.com/hua/']
# 設置一個空集合
url_set = set()
def parse(self, response):
# 如果圖片地址以http://www.xiaohuar.com/list-開頭，我才取其名字及地址信息
if response.url.startswith("http://www.xiaohuar.com/list-"):
allPics = response.xpath('//div[@class="img"]/a')
for pic in allPics:
# 分別處理每個圖片，取出名稱及地址
item = PicItem()
name = pic.xpath('./img/@alt').extract()[0]
addr = pic.xpath('./img/@src').extract()[0]
addr = 'http://www.xiaohuar.com'+addr
item['name'] = name
item['addr'] = addr
# 返回爬取到的信息
yield item
# 獲取所有的地址鏈接
urls = response.xpath("//a/@href").extract()
for url in urls:
# 如果地址以http://www.xiaohuar.com/list-開頭且不在集合中，則獲取其信息
if url.startswith("http://www.xiaohuar.com/list-"):
if url in XhSpider.url_set:
pass
else:
XhSpider.url_set.add(url)
# 回調函數默認為parse,也可以通過from scrapy.http import Request來指定回調函數
# from scrapy.http import Request
# Request(url,callback=self.parse)
yield self.make_requests_from_url(url)
else:
pass