09 Scrapy框架以及基本使用

一.什么是scrapy?

　　是为了爬取网站数据,提取结构性数据而编写的应用框架。之所以叫做框架是因为集成了各种实用功能（高性能异步下载，队列，分布式，解析，持久化等等）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。

二.安装方法　　

　　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　　

 1 project_name/
 2    scrapy.cfg：
 3    project_name/
 4        __init__.py
 5        items.py
 6        pipelines.py
 7        settings.py
 8        spiders/
 9            __init__.py
10 
11 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）
12 items.py     设置数据存储模板，用于结构化数据，如：Django的Model
13 pipelines    数据持久化处理
14 settings.py  配置文件，如：递归的层数、并发数，延迟下载等
15 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 项目名称

　　scrapy genspider 应用名称爬取网页的起始url

　　　　scrapy gender meinv www.xxx.com (起始url随便写,项目里边可以修改)

　　3.编写爬虫文件:在执行完步骤2后,会在项目的spider中生成一个应用名的py文件,如下

 1 import scrapy
 2 
 3 class QiubaiSpider(scrapy.Spider):
 4     name = 'qiubai' #应用名称
 5     #允许爬取的域名（如果遇到非该域名的url则爬取不到数据）一般注释掉
 6     allowed_domains = ['https://www.qiushibaike.com/']
 7     #起始爬取的url
 8     start_urls = ['https://www.qiushibaike.com/']
 9 
10      #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 
11      def parse(self, response):
12         print(response.text) #获取字符串类型的响应内容
13         print(response.body)#获取字节类型的相应内容

　　4.设置修改settings配置文件相关配置

1 修改内容及其结果如下：
2 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
3 
4 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(spider里边的爬虫文件的中的name字段不能有重复的)

四.示例

　　爬取糗事百科首页中段子的内容和标题

 1 import scrapy
 2 
 3 class QiubaiSpider(scrapy.Spider):
 4     name = 'qiubai'
 5     # allowed_domains = ['https://www.qiushibaike.com/']  用不到
 6     start_urls = ['https://www.qiushibaike.com/']
 7 
 8     def parse(self,response):
 9         #xpath为response中的方法,可以将xpath表达式直接作用于该函数中
10         odiv = response.xpath('//div[@id="content-left"]/div')
11         content_list = []  #用于存储解析到的数据
12         for div in odiv:
13             #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到Selector对象中,需要调用extract()函数将解析到的内容从Selector中取出.
14             author = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].extract()
15             content=div.xpath('.//div[@class="content"]/span/text()')[0].extract()
16             
17             #将解析到的内容封装到字典中
18             dic = {
19               '作者':author,
20               '内容':content
21             }            
22             #将数据存储到content_list这个列表中
23             content_list.append(dic)
24         return content_list

　　执行程序

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


settings中写入: LOG_LEVEL = 'ERROR'  #会只打印出错误日志信息