scrapy框架初识及使用

一.什么是Scrapy？

　　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，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能（高性能异步下载，队列，分布式，解析，持久化等）的具有很强通用性的项目模板。对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。

二.安装

　　Linux：

  pip3 install scrapy

　　Windows：

  a. pip3 install wheel
  b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
  c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
  d. pip3 install pywin32
  e. pip3 install scrapy

三.基础使用

　　1.创建项目：scrapy startproject 项目名称

　　　　项目结构：

project_name/

scrapy.cfg：

project_name/

init.py

items.py

pipelines.py

settings.py

spiders/

init.py

scrapy.cfg 项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）

items.py 设置数据存储模板，用于结构化数据，如：Django的Model

pipelines 数据持久化处理

settings.py 配置文件，如：递归的层数、并发数，延迟下载等

spiders 爬虫目录，如：创建文件，编写爬虫解析规则

　2.创建爬虫应用程序：

　　　　　　cd project_name（进入项目目录）

　　　　　　scrapy genspider 应用名称 爬取网页的起始url （例如：scrapy genspider qiubai www.qiushibaike.com）

　　3.编写爬虫文件:在步骤2执行完毕后，会在项目的spiders中生成一个应用名的py爬虫文件，文件源码如下：

-- coding: utf-8 --

import scrapy

class QiubaiSpider(scrapy.Spider):

name = 'qiubai' #应用名称

#允许爬取的域名（如果遇到非该域名的url则爬取不到数据）

allowed_domains = ['https://www.qiushibaike.com/']

#起始爬取的url

start_urls = ['https://www.qiushibaike.com/']

 #访问起始URL并获取结果后的回调函数，该函数的response参数就是向起始的url发送请求后，获取的响应对象.该函数返回值必须为可迭代对象或者NUll
 def parse(self, response):
    print(response.text) #获取字符串类型的响应内容
    print(response.body)#获取字节类型的相应内容

　　4.设置修改settings.py配置文件相关配置:

修改内容及其结果如下：

19行：USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' #伪装请求载体身份

22行：ROBOTSTXT_OBEY = False #可以忽略或者不遵守robots协议

  5.执行爬虫程序：scrapy crawl  应用名称

四.小试牛刀：将糗百首页中段子的内容和标题进行爬取

-- coding: utf-8 --

import scrapy

class QiubaiSpider(scrapy.Spider):

name = 'qiubai'

allowed_domains = ['https://www.qiushibaike.com/']

start_urls = ['https://www.qiushibaike.com/']

def parse(self, response):
    #xpath为response中的方法，可以将xpath表达式直接作用于该函数中
    odiv = response.xpath('//div[@id="content-left"]/div')
    content_list = [] #用于存储解析到的数据
    for div in odiv:
        #xpath函数返回的为列表，列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中，需要调用extract()函数将解析的内容从Selecor中取出。
        author = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].extract()
        content=div.xpath('.//div[@class="content"]/span/text()')[0].extract()
        #将解析到的内容封装到字典中
        dic={
            '作者':author,
            '内容':content
        }
        #将数据存储到content_list这个列表中
        content_list.append(dic)
    return content_list

执行爬虫程序：

scrapy crawl 爬虫名称 ：该种执行形式会显示执行的日志信息
scrapy crawl 爬虫名称 --nolog：该种执行形式不会显示执行的日志信息