[Python爬虫] scrapy爬虫系列 <一>.安装及入门介绍

前面介绍了很多Selenium基于自动测试的Python爬虫程序，主要利用它的xpath语句，通过分析网页DOM树结构进行爬取内容，同时可以结合Phantomjs模拟浏览器进行鼠标或键盘操作。但是，更为广泛使用的Python爬虫框架是——Scrapy爬虫。这是一篇在Windows系统下介绍 Scrapy爬虫安装及入门介绍的相关文章。

官方 Scrapy  ：http://scrapy.org/
        官方英文文档：http://doc.scrapy.org/en/latest/index.html
        官方中文文档：https://scrapy-chs.readthedocs.org/zh_CN/0.24/index.html

一. 安装过程

本文主要讲述Windows下的安装过程，首先我的Python是2.7.8版本。
        主要通过Python的PIP语句进行安装：

pip install scrapy

安装PIP参考：http://blog.csdn.net/eastmount/article/details/47785123
        通过 pip list outdated 命令查看软件最新版本，表示PIP安装成功。

然后，输入 pip install scrapy 命令进行安装。

安装成功后，通过cmd调用 scrapy 指令查看，表示安装成功。

如果过程中存在如下图所示错误"no module named win32api"，则需要下载安装win32，选择2.7.8版本。地址为：http://sourceforge.net/projects/pywin32/files/

此时，scrapy安装成功，可以进行第二步"第一个scrapy爬虫实现"了~

正如xifeijian大神所说：“作为Python爱好者，如果不知道easy_install或者pip中的任何一个的话，那么......”。easy_insall的作用和perl中的cpan，ruby中的gem类似，都提供了在线一键安装模块的傻瓜方便方式，而pip是easy_install的改进版，提供更好的提示信息，删除package等功能。老版本的python中只有easy_install，没有pip。常见的具体用法如下：

easy_install的用法：
1） 安装一个包
 $ easy_install <package_name>
 $ easy_install "<package_name>==<version>"
2) 升级一个包
 $ easy_install -U "<package_name>>=<version>"    

pip的用法
1) 安装一个包
 $ pip install <package_name>
 $ pip install <package_name>==<version>
2) 升级一个包 (如果不提供version号，升级到最新版本）
 $ pip install --upgrade <package_name>>=<version>
3）删除一个包
 $ pip uninstall <package_name> 

二. 第一个scrapy爬虫程序实现

官网介绍：
        Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
        An open source and collaborative framework for extracting the data you need from websites. In a fast, simple, yet extensible way.
        下面是参考官网在windows下实现的第一个scrapy爬虫程序：

打开Python IDLE，创建myspider.py文件，代码如下：

 import scrapy

 class BlogSpider(scrapy.Spider):
     name = 'blogspider'
     start_urls = ['http://blog.scrapinghub.com']

     def parse(self, response):
         for url in response.css('ul li a::attr("href")').re(r'.*/\d\d\d\d/\d\d/$'):
             yield scrapy.Request(response.urljoin(url), self.parse_titles)

     def parse_titles(self, response):
         for post_title in response.css('div.entries > ul > li a::text').extract():
             yield {'title': post_title}

如果此时你试图点击Run运行程序或在IDLE中输入 scrapy runspider myspider.py，似乎返回如下错误：

此时我怀疑Windows下需要调用cmd运行程序，还是强烈推荐在Linux下学习使用Python相关编程知识。调用cd去到文件所在目录：
        cd G:\software\Program software\Python\python insert\scrapy project
        然后在运行程序，结果输出如下所示：

此时，程序能够运行成功了，不论结果如何、代码如何，总算在Windows下跑起来了。下面第三部分，我再简单介绍如何调用Scrapy爬虫进行一个入门相关的爬取~

三. Scrapy入门介绍

入门介绍参考：初窥Scrapy 和 Scrapy入门教程
        给大家简单举个例子，使用maxliaops的Scrapy爬虫爬取腾讯的职位招聘信息。
        代码下载：https://github.com/maxliaops/scrapy-itzhaopin
        源文链接：http://blog.csdn.net/HanTangSongMing/article/details/24454453
        目标网址为：http://hr.tencent.com/position.php

Windows下Ctrl+R调用CMD命令行。输入命令如下：

1.chcp 936
unknown encoding: cp65001异常时，需要将编码(UTF-8)修改为 简体中文(GBK)

2.cd G:\software\Program software\Python\python insert\scrapy project
去到安装Scrapy目录下

3.cd scrapy-itzhaopin-master\itzhaopin
再次去到下载的文件itzhaopin目录下

4.scrapy crawl tencent
运行代码启动这个Spider，进行下载

最后运行会在scrapy-itzhaopin-master\itzhaopin文件夹下生产一个tencent.json的结果。数据量很大，下图只展示部分日期是2015-11-07的数据，如下所示：

其中代码itzhaopin项目的结果图如下所示：参考原文作者博客

├── itzhaopin
│   ├── itzhaopin
│   │   ├── __init__.py
│   │   ├── items.py
│   │   ├── pipelines.py
│   │   ├── settings.py
│   │   └── spiders
│   │      └── __init__.py
│   └── scrapy.cfg

scrapy.cfg: 项目配置文件
items.py: 需要提取的数据结构定义文件
pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等
settings.py: 爬虫配置文件
spiders: 放置spider的目录

核心的几个py文件内容如下，详见github：
        1.items.py：定义我们要抓取的数据

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

 from scrapy.item import Item, Field
 class TencentItem(Item):
     name = Field()                # 职位名称
     catalog = Field()             # 职位类别
     workLocation = Field()        # 工作地点
     recruitNumber = Field()       # 招聘人数
     detailLink = Field()          # 职位详情页链接
     publishTime = Field()         # 发布时间  

2.spiders文件夹中tencent_spider.py文件：实现Spider
        Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员
        name: 名字，这个spider的标识
        start_urls:一个url列表，spider从这些网页开始抓取
        parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表

 import re
 import json

 from scrapy.selector import Selector
 try:
     from scrapy.spider import Spider
 except:
     from scrapy.spider import BaseSpider as Spider
 from scrapy.utils.response import get_base_url
 from scrapy.utils.url import urljoin_rfc
 from scrapy.contrib.spiders import CrawlSpider, Rule
 from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor as sle

 from itzhaopin.items import *
 from itzhaopin.misc.log import *

 class TencentSpider(CrawlSpider):
     name = "tencent"
     allowed_domains = ["tencent.com"]
     start_urls = [
         "http://hr.tencent.com/position.php"
     ]
     rules = [
         Rule(sle(allow=("/position.php\?&start=\d{,4}#a")), follow=True, callback='parse_item')
     ]

     def parse_item(self, response):
         items = []
         sel = Selector(response)
         base_url = get_base_url(response)
         sites_even = sel.css('table.tablelist tr.even')
         for site in sites_even:
             item = TencentItem()
             item['name'] = site.css('.l.square a').xpath('text()').extract()[0]
             relative_url = site.css('.l.square a').xpath('@href').extract()[0]
             item['detailLink'] = urljoin_rfc(base_url, relative_url)
             item['catalog'] = site.css('tr > td:nth-child(2)::text').extract()[0]
             item['workLocation'] = site.css('tr > td:nth-child(4)::text').extract()[0]
             item['recruitNumber'] = site.css('tr > td:nth-child(3)::text').extract()[0]
             item['publishTime'] = site.css('tr > td:nth-child(5)::text').extract()[0]
             items.append(item)
             #print repr(item).decode("unicode-escape") + '\n'

         sites_odd = sel.css('table.tablelist tr.odd')
         for site in sites_odd:
             item = TencentItem()
             item['name'] = site.css('.l.square a').xpath('text()').extract()[0]
             relative_url = site.css('.l.square a').xpath('@href').extract()[0]
             item['detailLink'] = urljoin_rfc(base_url, relative_url)
             item['catalog'] = site.css('tr > td:nth-child(2)::text').extract()[0]
             item['workLocation'] = site.css('tr > td:nth-child(4)::text').extract()[0]
             item['recruitNumber'] = site.css('tr > td:nth-child(3)::text').extract()[0]
             item['publishTime'] = site.css('tr > td:nth-child(5)::text').extract()[0]
             items.append(item)
             #print repr(item).decode("unicode-escape") + '\n'

         info('parsed ' + str(response))
         return items

     def _process_request(self, request):
         info('process ' + str(request))
         return request

3.pipelines.py：实现PipeLine
        PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。PipeLine只有一个需要实现的方法：process_item，例如我们将Item保存到JSON格式文件中：

 # Define your item pipelines here
 #
 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

 from scrapy import signals
 import json
 import codecs

 class JsonWithEncodingTencentPipeline(object):

     def __init__(self):
         self.file = codecs.open('tencent.json', 'w', encoding='utf-8')

     def process_item(self, item, spider):
         line = json.dumps(dict(item), ensure_ascii=False) + "\n"
         self.file.write(line)
         return item

     def spider_closed(self, spider):
         self.file.close(
 )

4.settings.py：设置文件

 # Scrapy settings for itzhaopin project
 #
 # For simplicity, this file contains only the most important settings by
 # default. All the other settings are documented here:
 #
 #     http://doc.scrapy.org/en/latest/topics/settings.html
 #

 BOT_NAME = 'itzhaopin'

 SPIDER_MODULES = ['itzhaopin.spiders']
 NEWSPIDER_MODULE = 'itzhaopin.spiders'

 # Crawl responsibly by identifying yourself (and your website) on the user-agent
 #USER_AGENT = 'itzhaopin (+http://www.yourdomain.com)'

 ITEM_PIPELINES = {
     'itzhaopin.pipelines.JsonWithEncodingTencentPipeline': 300,
 }

 LOG_LEVEL = 'INFO'

看了这个简单的例子后，后面的文章就会根据原文进行一些自定义的爬虫实验了，希望对你有所帮助吧~同时还是感觉Linux下学习这些更适合些。最后推荐两篇文章：
        Python爬虫框架Scrapy实战之定向批量获取职位招聘信息
        Scrapy研究探索专栏 作者：young-hz
        [Python]网络爬虫（12）：爬虫框架Scrapy的第一个爬虫示例入门教程
        (By:Eastmount 2015-11-08 深夜4点   http://blog.csdn.net/eastmount/)