一、scrapy的下載安裝---Windows（安裝軟件太讓我傷心了）

寫博客就和筆記一樣真的很有用，你可以隨時的翻閱。爬蟲的爬蟲原理與數據抓取、非結構化與結構化數據提取、動態HTML處理和簡單的圖像識別已經學完，就差整理博客了

開始學習scrapy了，所以重新建了個分類。

scrapy的下載到安裝，再到能夠成功運行就耗費了我三個小時的時間，為了防止以后忘記，記錄一下。

我用的是Python3.6.        Windows    需要四步

1、pip3 install wheel

2、安裝Twisted

　　a. http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted, 下載：Twisted-17.9.0-cp36-cp36m-win_amd64.whl
　　

　　b. 進入文件所在目錄
　　

　　c. pip3 install Twisted-17.1.0-cp35-cp35m-win_amd64.whl

3、pip3 install scrapy

然后我打開cmd,輸入了scrapy, 出現：

　　　 scrapy startproject myspider                              -----------創建scrapy項目

　　　 cd myspider                                                       -----------進入myspider目錄

           scrapy genspider baidu baidu.com                    ------------創建爬蟲文件

　　　 scrapy crawl baidu                                            -------------運行文件

之后，就報錯了，說缺少一個模塊win32,   上網查說  windows上scrapy依賴pywin32，下載網址： https://sourceforge.net/projects/pywin32/files/  

我下載了，在安裝的時候出現了：

 

上面說是沒注冊什么的，上網搜了一下解決方案，唉，自己沒看懂。痛心疾首，對我自己的智商感到捉急

4、在cmd中使用python -m pip install pypiwin32

 這是我成功的方法，上網查之后，在https://stackoverflow.com/questions/4863056/how-to-install-pywin32-module-in-windows-7有這樣一段話：

 

---

每天一個小實例：爬視頻（其實找到了視頻的url鏈接，用urllib.request.urlretrieve(視頻url，存儲的路徑）就可以了。

我做的這個例子太簡單；用scrapy框架顯得復雜，，我只是下載了一頁，多頁的話循環url，主要是走一遍使用Scrapy的流程：

#第一
打開mySpider目錄下的items.py

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

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy

'''Item 定義結構化數據字段，用來保存爬取到的數據，有點像Python中的dict，但是提供了一些額外的保護減少錯誤。

可以通過創建一個 scrapy.Item 類， 並且定義類型為 scrapy.Field的類屬性來定義一個Item（可以理解成類似於ORM的映射關系）。'''
class MyspiderItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    mp4_url = scrapy.Field()



#第二，打開你創建的爬蟲文件，我的是baisi.py

# -*- coding: utf-8 -*-
import scrapy
from myspider.items import MyspiderItem

class BaisiSpider(scrapy.Spider):
    name = 'baisi'
    allowed_domains = ['http://www.budejie.com']
    start_urls = ['http://www.budejie.com/video/']

    def parse(self, response):
        # 將我們得到的數據封裝到一個 `MyspiderItem` 對象
        item = MyspiderItem()

        #提取數據
        mp4_links = response.xpath('//li[@class="j-r-list-tool-l-down f-tar j-down-video j-down-hide ipad-hide"]')
        for mp4_link in mp4_links:
            name = mp4_link.xpath('./@data-text')[0].extract()
            video = mp4_link.xpath('./a/@href')[0].extract()
            #判斷是否有MP4——url鏈接，有的保存
            if video:
                item['name'] = name
                item['mp4_url'] = video
            # 將獲取的數據交給pipelines
            yield item





#第三 打開pipelines.py文件

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import urllib.request
import os
class MyspiderPipeline(object):
    def process_item(self, item, spider):
#文件名
        file_name = "%s.mp4" % item['name']
#文件保存路徑
        file_path = os.path.join("F:\\myspider\\myspider\\video", file_name)
        urllib.request.urlretrieve(item['mp4_url'],file_path)
        return item


第四，執行scrapy crawl baisi

 

執行結果：

 

 

---

 Scrapy 框架

• 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框架官方網址：http://doc.scrapy.org/en/latest

  Scrapy中文維護站點：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Scrapy架構圖(綠線是數據流向)：

 

 

 

• 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）

scrapy運行的流程大概是：

1. 引擎從調度器中取出一個鏈接（URL）用於接下來的抓取。
2. 引擎把URL封裝成一個請求（request）傳給下載器。
3. 下載器把資源下載下來，並封裝成應答包（response）
4. 爬蟲解析response
5. 解析出實體（item），則交給實體管道進行進一步處理
6. 解析出的是銜接（URL），則把URL交給調度器等待抓取

 

---

 

基本使用：

1.在命令行中輸入： scrapy startproject myspider -----------創建scrapy項目

自動創建目錄：

 

打開：myspider

 

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

2.

   cd myspider                                             -----------進入myspider目錄

   scrapy genspider baidu baidu.com         ------------創建爬蟲文件

注意：一般創建爬蟲文件時，以網站域名命名，文件會在spiders中，

3.  然后你就可以編寫代碼了

4.  scrapy crawl baidu        -------------運行文件

總的來說：

制作 Scrapy 爬蟲 一共需要4步：

• 新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目
• 明確目標 （編寫items.py）：明確你想要抓取的目標
• 制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁
• 存儲內容 （pipelines.py）：設計管道存儲爬取內容