Scrapy爬虫快速入门

安装Scrapy

Scrapy是一个高级的Python爬虫框架，它不仅包含了爬虫的特性，还可以方便的将爬虫数据保存到csv、json等文件中。

首先我们安装Scrapy。

pip install scrapy

在Windows上安装时可能会出现错误，提示找不到Microsoft Visual C++。这时候我们需要到它提示的网站visual-cpp-build-tools下载VC++ 14编译器，安装完成之后再次运行命令即可成功安装Scrapy。

error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools

快速开始

第一个爬虫

以下是官方文档的第一个爬虫例子。可以看到，和我们手动使用request库和BeautifulSoup解析网页内容不同，Scrapy专门抽象了一个爬虫父类，我们只需要重写其中的方法，就可以迅速得到一个可以不断爬行的爬虫。

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)

上面的爬虫有几个地方需要解释一下：

• 爬虫类的name属性，用来标识爬虫，该名字在一个项目必须是唯一的。
• start_requests()方法，必须返回一个可迭代的列表（可以是列表，也可以是生成器），Scrapy会从这些请求开始抓取网页。
• parse() 方法用于从网页文本中抓取相应内容，我们需要根据自己的需要重写该方法。

开始链接

在上面的例子中使用start_requests()方法来设置起始URL，如果只需要简单指定URL还可以使用另一种简便方法，那就是设置类属性start_urls，Scrapy会读取该属性来设置起始URL。

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

提取数据

这部分的练习可以使用Scrapy的shell功能。我们可以使用下面的命令启动Scrapy shell并提取百思不得姐段子的内容，成功运行之后会打开一个交互式shell，我们可以进行交互式编程，随时查看代码的运行结果。

scrapy shell 'http://www.budejie.com/text/'

可能会出现下面的错误，遇到这种情况是因为没有安装pypiwin32模块。

ModuleNotFoundError: No module named 'win32api'

这时候可以使用下面的命令安装。

pip install pypiwin32

运行成功之后在终端中看到以下内容，列举了在交互式shell中可以进行的操作。

[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x0000014EA8B3CD68>
[s]   item       {}
[s]   request    <GET http://www.budejie.com/text/>
[s]   response   <200 http://www.budejie.com/text/>
[s]   settings   <scrapy.settings.Settings object at 0x0000014EA8B3CA58>
[s]   spider     <DefaultSpider 'default' at 0x14ea8dc07f0>
[s] Useful shortcuts:
[s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s]   fetch(req)                  Fetch a scrapy.Request and update local objects
[s]   shelp()           Shell help (print this help)
[s]   view(response)    View response in a browser

例如，如果我们要查看网页的内容，可以输入view(response)，会打开默认浏览器并进入相应页面。

In [2]: view(response)
Out[2]: True

如果需要使用CSS选择器提取网页内容，可以输入相应的内容，比如说下面就获取了网页上的标题标签。

In [3]: response.css('title')
Out[3]: [<Selector xpath='descendant-or-self::title' data='<title>内涵段子_内涵笑话－百思不得姐官网，第1页</title>'>]

如果需要提取标签内容，可以使用Scrapy扩展的CSS选择器::text并使用extract()方法。如果直接对标签调用extract()会获取包含标签在内的整个文本。

In [8]: response.css('title::text').extract()
Out[8]: ['内涵段子_内涵笑话－百思不得姐官网，第1页']

如果选中的标签含有复数内容，可以使用extract_first()方法获取第一个元素。

response.css('title::text').extract_first()

也可以使用索引来选取内容。不过假如没有元素的话，extract_first()方法会返回None而索引会抛出IndexError，因此使用extract_first()更好。

response.css('title::text')[0].extract()

除了CSS选择器之外，Scrapy还支持使用re方法以正则表达式提取内容，以及xpath方法以XPATH语法提取内容。关于XPATH，可以查看菜鸟教程，写的还不错。

下面是提取百思不得姐段子的简单例子，在交互环境中执行之后，我们就可以看到提取出来的数据了。

li=response.css('div.j-r-list-c-desc')
content=li.css('a::text')

编写爬虫

确定如何提取数据之后，就可以编写爬虫了。下面的爬虫爬取了百思不得姐首页的用户名和段子。

class Baisibudejie(scrapy.Spider):
    name = 'jokes'
    start_urls = ['http://www.budejie.com/text/']

    def parse(self, response):
        lies = response.css('div.j-r-list >ul >li')
        for li in lies:
            username = li.css('a.u-user-name::text').extract()
            content = li.css('div.j-r-list-c-desc a::text').extract()
            yield {'username': username, 'content': content}

写好了爬虫之后，就可以运行了。我们可以使用下面的命令运行这个爬虫。运行成功之后，会出现user.json，其中就是我们爬取的数据。Scrapy支持多种格式，除了json之外，还可以将数据导出为XML、CSV等格式。

scrapy runspider use_scrapy.py -o user.json

页面跳转

如果爬虫需要跨越多个页面，需要在parse方法中生成下一步要爬取的页面。下面的例子是爬取我CSDN博客所有文章和连接的爬虫。这个爬虫没有处理CSDN博客置顶文章，所以置顶文章爬取的文章标题是空。

class CsdnBlogSpider(scrapy.Spider):
    name = 'csdn_blog'
    start_urls = ['http://blog.csdn.net/u011054333/article/list/1']

    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.base_url = 'http://blog.csdn.net'

    def parse(self, response):
        articles = response.css('div#article_list div.article_item')
        for article in articles:
            title = article.css('div.article_title a::text').extract_first().strip()
            link = self.base_url + article.css('div.article_title a::attr(href)').extract_first().strip()
            yield {'title': title, 'link': link}

        pages = response.css('div#papelist')
        next_page_url = pages.css('a').re_first('<a href=\"(.*)\">下一页')
        if next_page_url is not None:
            yield scrapy.Request(urllib.parse.urljoin(self.base_url, next_page_url))

scrapy命令

为了更好的实现工程化管理，Scrapy还提供了scrapy命令来帮助我们管理爬虫。详细的命令用法请参考官方文档。

创建项目

下面的命令可以创建一个Scrapy爬虫项目，它为我们规定了标准的项目格式。

scrapy startproject myproject [project_dir]

创建好之后，应该会出现如下的项目结构。spiders模块中放置所有爬虫，scrapy.cfg是项目的全局配置文件，其余文件是Scrapy的组件。

创建爬虫

使用下面的命令可以创建一个爬虫，爬虫会放置在spider模块中。

scrapy genspider mydomain mydomain.com

生成的爬虫具有基本的结构，我们可以直接在此基础上编写代码。

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

class MydomainSpider(scrapy.Spider):
    name = "mydomain"
    allowed_domains = ["mydomain.com"]
    start_urls = ['http://mydomain.com/']

    def parse(self, response):
        pass

运行爬虫

在已经生成好的项目中，我们使用项目相关的命令来运行爬虫。首先需要列出所有可运行的爬虫，这会列出所有爬虫类中指定的name属性。

scrapy list

然后，我们可以按照name来运行爬虫。

scrapy crawl 'csdn_blog' -o blog.json

注意这两个命令都是项目相关的，只能用于已存在的项目。

设置编码

如果你使用上面的爬虫并导出为json格式，可能会发现所有汉字全变成了Unicode字符（类似\uA83B这样的）。自Scrapy1.2 起，增加了FEED_EXPORT_ENCODING属性，用于设置输出编码。我们在settings.py中添加下面的配置即可。

FEED_EXPORT_ENCODING = 'utf-8'

然后再重新导出一次。这次所有汉字都能正常输出了。

以上就是Scrapy的快速入门了。我们了解了如何编写最简单的爬虫。如果查阅Scrapy的官方文档会发现Scrapy的功能远不止这里介绍的。本文就是起一个抛砖引玉的作用，如果希望进一步了解Scrapy这个爬虫框架，请查阅相关文档进一步学习。