手把手教你寫網絡爬蟲（4）
作者：拓海 (https://github.com/tuohai666)
摘要：從零開始寫爬蟲，初學者的速成指南！
封面：
上期我們理性的分析了為什么要學習Scrapy，理由只有一個，那就是免費，一分錢都不用花！
咦？怎么有人扔西紅柿？好吧，我承認電視看多了。不過今天是沒得看了，為了趕稿，又是一個不眠夜。。。言歸正傳，我們將在這一期介紹完Scrapy的基礎知識， 如果想深入研究，大家可以參考官方文檔，那可是出了名的全面，我就不占用公眾號的篇幅了。
架構簡介
下面是Scrapy的架構，包括組件以及在系統中發生的數據流的概覽(紅色箭頭所示)。 之后會對每個組件做簡單介紹，數據流也會做一個簡要描述。
組件
Engine: 引擎負責控制數據流在系統中所有組件中流動，並在相應動作發生時觸發事件。
Scheduler: 調度器從引擎接受Request並將他們入隊，以便之后引擎請求他們時提供給引擎。
Downloader: 下載器負責獲取頁面數據並提供給引擎，而后提供給Spider。
Spiders: Spider是Scrapy用戶編寫的用於分析Response並提取Item或提取更多需要下載的URL的類。 每個Spider負責處理特定網站。
Item Pipeline: 負責處理被Spider提取出來的Item。典型的功能有清洗、 驗證及持久化操作。
Downloader middlewares: 下載器中間件是在Engine及Downloader之間的特定鈎子(specific hooks)，處理Downloader傳遞給Engine的Response。 其提供了一個簡便的機制，通過插入自定義代碼來擴展Scrapy功能。
Spider middlewares: 是在Engine及Spider之間的特定鈎子(specific hook)，處理Spider的輸入(Response)和輸出(Items及Requests)。 其提供了一個簡便的機制，通過插入自定義代碼來擴展Scrapy功能。
數據流
Scrapy中的數據流由執行引擎控制，其過程如下:
- Engine從Spider獲取第一個需要爬取URL(s)。
- Engine用Scheduler調度Requests，並向Scheduler請求下一個要爬取的URL。
- Scheduler返回下一個要爬取的URL給Engine。
- Engine將URL通過Downloader middlewares轉發給Downloader。
- 一旦頁面下載完畢，下載器生成一個該頁面的Response，並將其通過Downloader middlewares發送給Engine。
- 引擎從Downloader中接收到Response並通過Spider middlewares發送給Spider處理。
- Spider處理Response並返回爬取到的Item及新的Request給Engine。
- Engine將爬取到的Item給Item Pipeline，然后將Request給Scheduler。
- 從第一步開始重復這個流程，直到Scheduler中沒有更多的URLs。
架構就是這樣，流程和我第二篇里介紹的迷你架構差不多，但擴展性非常強大。
One more thing
Scrapy基於事件驅動網絡框架 Twisted 編寫，Twisted是一個異步非阻塞框架。一說到網絡通信框架就會提什么同步、異步、阻塞和非阻塞，到底是些啥玩意啊？為啥老是有人暗示或者明示異步=非阻塞？比如Scrapy文檔里：Scrapy is written with Twisted, a popular event-driven networking framework for Python. Thus, it’s implemented using a non-blocking (aka asynchronous) code for concurrency. 這種說法對嗎？舉個栗子：
出場人物：老張，水壺兩把（普通水壺，簡稱水壺；會響的水壺，簡稱響水壺）
1. 老張把水壺放到火上，立等水開。（同步阻塞）
老張覺得自己有點傻。
2. 老張把水壺放到火上，去客廳看電視，時不時去廚房看看水開沒有。（同步非阻塞）
老張還是覺得自己有點傻，於是變高端了，買了把會響笛的那種水壺。水開之后，能大聲發出嘀~~~~的噪音。
3. 老張把響水壺放到火上，立等水開。（異步阻塞）
老張覺得這樣傻等意義不大。
4. 老張把響水壺放到火上，去客廳看電視，水壺響之前不再去看它了，響了再去拿壺。（異步非阻塞）
老張覺得自己聰明了。
所謂同步異步，只是對於水壺而言。普通水壺，同步；響水壺，異步。雖然都能干活，但響水壺可以在自己完工之后，提示老張水開了。這是普通水壺所不能及的。同步只能讓調用者去輪詢自己（情況2中），造成老張效率的低下。
所謂阻塞非阻塞，僅僅對於老張而言。立等的老張，阻塞；看電視的老張，非阻塞。情況1和情況3中老張就是阻塞的，媳婦喊他都不知道。雖然3中響水壺是異步的，可對於立等的老張沒有太大的意義。所以一般異步是配合非阻塞使用的，這樣才能發揮異步的效用。
入門教程
創建項目
在開始爬取之前，您必須創建一個新的Scrapy項目。 進入您打算存儲代碼的目錄中，運行下列命令:
scrapy startproject tutorial
該命令將會創建包含下列內容的 tutorial 目錄:
tutorial/ scrapy.cfg # 項目的配置文件 tutorial/ # 該項目的python模塊。之后您將在此加入代碼 __init__.py items.py # 項目中的item文件 pipelines.py # 項目中的pipelines文件 settings.py # 項目的設置文件 spiders/ # 放置spider代碼的目錄 __init__.py
編寫第一個爬蟲
Spider是用戶編寫用於從單個網站(或者一些網站)爬取數據的類。其包含了一個用於下載的初始URL，以及如何跟進網頁中的鏈接以及如何分析頁面中的內容的方法。
以下為我們的第一個Spider代碼，保存在 tutorial/spiders 目錄下的 quotes_spider.py文件中:
import scrapy class QuotesSpider(scrapy.Spider): name = "quotes" def start_requests(self): urls = [ 'http://quotes.toscrape.com/page/1/', 'http://quotes.toscrape.com/page/2/', ] for url in urls: yield scrapy.Request(url=url, callback=self.parse) def parse(self, response): page = response.url.split("/")[-2] filename = 'quotes-%s.html' % page with open(filename, 'wb') as f: f.write(response.body) self.log('Saved file %s' % filename)
為了創建一個Spider，你必須繼承 scrapy.Spider 類， 且定義以下三個屬性:
- name: 用於區別Spider。 該名字必須是唯一的，您不可以為不同的Spider設定相同的名字。
- start_urls: 包含了Spider在啟動時進行爬取的url列表。 因此，第一個被獲取到的頁面將是其中之一。 后續的URL則從初始的URL獲取到的數據中提取。
- parse() 是spider的一個方法。 被調用時，每個初始URL完成下載后生成的Response 對象將會作為唯一的參數傳遞給該函數。 該方法負責解析返回的數據(response data)，提取數據以及生成需要進一步處理的URL的 Request 對象。
運行我們的爬蟲
進入項目的根目錄，執行下列命令啟動spider:
scrapy crawl quotes
這個命令啟動用於爬取 quotes.toscrape.com 的spider，你將得到類似的輸出:
2017-05-10 20:36:17 [scrapy.core.engine] INFO: Spider opened 2017-05-10 20:36:17 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 2017-05-10 20:36:17 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://quotes.toscrape.com/robots.txt> (referer: None) 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None) 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/2/> (referer: None) 2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-1.html 2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-2.html 2017-05-10 20:36:17 [scrapy.core.engine] INFO: Closing spider (finished)
提取數據
我們之前只是保存了HTML頁面，並沒有提取數據。現在升級一下代碼，把提取功能加進去。至於如何使用瀏覽器的開發者模式分析網頁，之前已經介紹過了。
import scrapy class QuotesSpider(scrapy.Spider): name = "quotes" start_urls = [ 'http://quotes.toscrape.com/page/1/', 'http://quotes.toscrape.com/page/2/', ] def parse(self, response): for quote in response.css('div.quote'): yield { 'text': quote.css('span.text::text').extract_first(), 'author': quote.css('small.author::text').extract_first(), 'tags': quote.css('div.tags a.tag::text').extract(), }
再次運行這個爬蟲，你將在日志里看到被提取出的數據：
2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/> {'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'} 2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/> {'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A. Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"}
保存爬取的數據
最簡單存儲爬取的數據的方式是使用 Feed exports:
scrapy crawl quotes -o quotes.json
該命令將采用 JSON 格式對爬取的數據進行序列化，生成quotes.json文件。
在類似本篇教程里這樣小規模的項目中，這種存儲方式已經足夠。如果需要對爬取到的item做更多更為復雜的操作，你可以編寫 Item Pipeline，tutorial/pipelines.py在最開始的時候已經自動創建了。
下一步
系列寫到這里，組里對下一步的計划產生了分歧，本人的意思是系列已經接近尾聲了，可領導的意思是，連載可以正式開始了！ What? 這不能忍啊！所以我立即做了一個艱難的決定，連載正式開始！詳情下回分解，再見！