python爬蟲入門(六) Scrapy框架之原理介紹

Scrapy框架

Scrapy簡介

• Scrapy是用純Python實現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，用途非常廣泛。

• 框架的力量，用戶只需要定制開發幾個模塊就可以輕松的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要對手是Tornado)異步網絡框架來處理網絡通訊，可以加快我們的下載速度，不用自己去實現異步框架，並且包含了各種中間件接口，可以靈活的完成各種需求。

Scrapy架構

• Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等。

• Scheduler(調度器): 它負責接受引擎發送過來的Request請求，並按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

• Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

• Spider（爬蟲）：它負責處理所有Responses,從中分析提取數據，獲取Item字段需要的數據，並將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

• Item Pipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行后期處理（詳細分析、過濾、存儲等）的地方.

• Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。

• Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）

 白話講解Scrapy運作流程

代碼寫好，程序開始運行...

1. 引擎：Hi！Spider, 你要處理哪一個網站？

2. Spider：老大要我處理xxxx.com。

3. 引擎：你把第一個需要處理的URL給我吧。

4. Spider：給你，第一個URL是xxxxxxx.com。

5. 引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

6. 調度器：好的，正在處理你等一下。

7. 引擎：Hi！調度器，把你處理好的request請求給我。

8. 調度器：給你，這是我處理好的request

9. 引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

10. 下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）

11. 引擎：Hi！Spider，這是下載好的東西，並且已經按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）

12. Spider：（處理完畢數據之后對於需要跟進的URL），Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。

13. 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環，直到獲取完老大需要全部信息。

14. 管道``調度器：好的，現在就做！

 制作Scrapy爬蟲步驟

1.新建項目

scrapy startproject mySpider

scrapy.cfg ：項目的配置文件

mySpider/ ：項目的Python模塊，將會從這里引用代碼

mySpider/items.py ：項目的目標文件

mySpider/pipelines.py ：項目的管道文件

mySpider/settings.py ：項目的設置文件

mySpider/spiders/ ：存儲爬蟲代碼目錄

2.明確目標(mySpider/items.py)

想要爬取哪些信息，在Item里面定義結構化數據字段，保存爬取到的數據

3.制作爬蟲(spiders/xxxxSpider.py)

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

• name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

• allow_domains = [] 是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬蟲從這里開始抓取數據，所以，第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

• parse(self, response) ：解析的方法，每個初始URL完成下載后將被調用，調用的時候傳入從每一個URL傳回的Response對象來作為唯一參數，主要作用如下：

 4.保存數據(pipelines.py)

在管道文件里面設置保存數據的方法，可以保存到本地或數據庫

溫馨提醒

第一次運行scrapy項目的時候

出現-->"DLL load failed" 錯誤提示，需要安裝pypiwin32模塊　　　　

先寫個簡單入門的實例

 （1）items.py

想要爬取的信息

# -*- coding: utf-8 -*-

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

（2）itcastspider.py

寫爬蟲程序

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 創建一個爬蟲類
class ItcastSpider(scrapy.Spider):
    # 爬蟲名
    name = "itcast"
    # 允許爬蟲作用的范圍
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬蟲起始的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#",
    ]

    def parse(self, response):
        teacher_list = response.xpath('//div[@class="li_txt"]')
        # 所有老師信息的列表集合
        teacherItem = []
        # 遍歷根節點集合

        for each in teacher_list:
            # Item對象用來保存數據的
            item = ItcastItem()
            # name, extract() 將匹配出來的結果轉換為Unicode字符串
            # 不加extract() 結果為xpath匹配對象
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0].encode("gbk")
            item['title'] = title[0].encode("gbk")
            item['info'] = info[0].encode("gbk")

            teacherItem.append(item)

        return teacherItem

輸入命令：scrapy crawl itcast -o itcast.csv  保存為 ".csv"的格式

管道文件pipelines.py的用法

 （1）setting.py修改

ITEM_PIPELINES = {
  #設置好在管道文件里寫的類
   'mySpider.pipelines.ItcastPipeline': 300,
}

（2）itcastspider.py

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 創建一個爬蟲類
class ItcastSpider(scrapy.Spider):
    # 爬蟲名
    name = "itcast"
    # 允許爬蟲作用的范圍
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬蟲其實的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#aandroid",

    ]

    def parse(self, response):
        #with open("teacher.html", "w") as f:
        #    f.write(response.body)
        # 通過scrapy自帶的xpath匹配出所有老師的根節點列表集合
        teacher_list = response.xpath('//div[@class="li_txt"]')

        # 遍歷根節點集合
        for each in teacher_list:
            # Item對象用來保存數據的
            item = ItcastItem()
            # name, extract() 將匹配出來的結果轉換為Unicode字符串
            # 不加extract() 結果為xpath匹配對象
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]

            yield item

(3)pipelines.py

數據保存到本地

# -*- coding: utf-8 -*-
import json

class ItcastPipeline(object):
    # __init__方法是可選的，做為類的初始化方法
    def __init__(self):
        # 創建了一個文件
        self.filename = open("teacher.json", "w")

    # process_item方法是必須寫的，用來處理item數據
    def process_item(self, item, spider):
        jsontext = json.dumps(dict(item), ensure_ascii = False) + "\n"
        self.filename.write(jsontext.encode("utf-8"))
        return item

    # close_spider方法是可選的，結束時調用這個方法
    def close_spider(self, spider):
        self.filename.close()

(4)items.py

# -*- coding: utf-8 -*-

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()