爬虫——scrapy框架

今日内容

scrapy 架构

# 通用的网络爬虫框架,爬虫界的django
	5大组件
    	-引擎(EGINE)：大总管，负责控制数据的流向
        -调度器(SCHEDULER)：由它来决定下一个要抓取的网址是什么，去重
        -下载器(DOWLOADER)：用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
        -爬虫(SPIDERS):开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求request
        -项目管道(ITEM PIPLINES):在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
	2大中间件
    	-爬虫中间件：位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入和输出（用的很少）
        -下载中间件：引擎和下载器之间，加代理，加头，集成selenium

scrapy安装（windows，mac，linux）

pip3 install scrapy

windows 如果装不上

pip3 install wheel # 安装后，便支持通过wheel文件安装软件
wheel文件官网：https://www.lfd.uci.edu/~gohlke/pythonlibs
    
pip3 install lxml
pip3 install pyopenssl

下载并安装pywin32：
pip安装       https://sourceforge.net/projects/pywin32/files/pywin32/
    
下载twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
执行pip3 install 下载目录Twisted-17.9.0-cp36-cp36m-win_amd64.whl

pip3 install scrapy

scrapy 命令：和 pip 放在一起，功能不同

如果还装不上，试一下 python2 的 pip 命令

scrapy 创建项目，创建爬虫，运行爬虫

创建项目
scrapy startproject 项目名

创建爬虫
	scrapy genspider 爬虫名 爬虫地址
    scrapy genspider chouti dig.chouti.com
    在spider文件夹下创建出一个py文件
    
运行爬虫
	scrapy crawl chouti   # 带运行日志
    scrapy crawl chouti --nolog  # 不带日志
    
支持右键执行爬虫
	在项目路径下新建一个main.py
    from scrapy.cmdline import execute
	execute(['scrapy','crawl','chouti','--nolog'])

目录介绍

    firstscrapy             # 项目名字
        firstscrapy         
            -spiders        # 爬虫脚本
                -baidu.py   
                -chouti.py  
            -middlewares.py # 中间件
            -pipelines.py   # 持久化数据
            -main.py        # 自己加的，执行爬虫
            -items.py       # 一些类，规定一些字段
            -settings.py    # 配置文件
        scrapy.cfg          # 上线相关

settings介绍

1 默认情况，scrapy会去遵循爬虫协议
  修改配置文件参数，强行爬取，不遵循协议
	ROBOTSTXT_OBEY = False
    
2 USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'

3 LOG_LEVEL='ERROR'

scrapy的数据解析（重点）

#xpath：
    -response.xpath('//a[contains(@class,"link-title")]/text()').extract()  # 取文本
    -response.xpath('//a[contains(@class,"link-title")]/@href').extract()  #取属性
#css
    -response.css('.link-title::text').extract()  # 取文本
    -response.css('.link-title::attr(href)').extract_first()  # 取属性

scrapy的持久化存储（重点）

方案一：parser函数必须返回 列表套字典的形式
	scrapy crawl chouti -o chouti.csv
    
方案二：高级，pipline item存储（mysql，redis，文件）

	在Items.py中写一个类
    在spinder中导入，实例化，把数据放进去
    	    item['title']=title
            item['url']=url
            item['photo_url']=photo_url
            yield item
            
    在setting中配置（数字越小，级别越高）
    	ITEM_PIPELINES = {
   		'firstscrapy.pipelines.ChoutiFilePipeline': 300,
		}
        
    在pipelines.py中写ChoutiFilePipeline
    	open_spider（开始的时候）
        close_spider（结束的时候）
        process_item（在这持久化）