py库： scrapy （深坑未填）

scrapy　　一个快速高级的屏幕爬取及网页采集框架

http://scrapy.org/　　官网

https://docs.scrapy.org/en/latest/　　Scrapy1.4文档

http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html　　Scrapy 0.24 中文文档

https://www.youtube.com/watch?v=cEBBG_5309c　　Scrapy爬虫框架教程02 Scrapy项目的基本使用　　2017-12-18

https://www.youtube.com/watch?v=0Uug1fDa8nw　　莫烦python　　2018-1-27（上次看到5分48秒）

https://www.youtube.com/watch?v=Wa2K7sB7BZE　　莫烦　　异步加载 Asyncio

https://github.com/MorvanZhou/easy-scraping-tutorial/tree/master/source_code　　莫烦的代码

安装：　　win7 安装 Scrapy：　　2017-10-19

当前环境：win7，python3.6.0，pyCharm4.5。 python目录是：c:/python3/

Scrapy依赖的库比较多，至少需要依赖库有Twisted 14.0，lxml 3.4，pyOpenSSL 0.14。

参考文章：http://www.cnblogs.com/liuliliuli2017/p/6746440.html 　　Python3环境安装Scrapy爬虫框架过程及常见错误

我在安装 Twisted 时遇到了问题。解决步骤如下：

1、http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted（重要：这个站点有非常多的whl文件！）　　到这里下载 . whl 文件

按说我机子是win764位的，本该用 Twisted-17.9.0-cp36-cp36m-win_amd64.whl，但是提示不让安装。只好瞎猫撞死耗子似的，又下载了 Twisted-17.9.0-cp36-cp36m-win32.whl 这个文件。把它放到 C:Python3ScriptsTwisted-17.9.0-cp36-cp36m-win32.whl

python pip3.exe install Twisted-17.9.0-cp36-cp36m-win32.whl

python pip.exe install scrapy

安装：　　win10 安装Scrapy：　　2018-9-12

当前环境：win10，python3.7.0。python目录是：c:/python3/

直接安装scrapy还是有问题。所以先预装一下Twisted。

http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted　　下载 Twisted‑18.7.0‑cp37‑cp37m‑win_amd64.whl。

把它放到 C:Python3Scripts　，然后进到该目录

pip install Twisted-18.7.0-cp37-cp37m-win_amd64.whl

pip install scrapy

学习中：

cd c:Python3zz　　　　　　　　　　#  C:Python3zz  ，是我放项目的文件夹
python C:/Python3/Scripts/scrapy.exe startproject plant　　# 建立一个叫做 plant的 爬虫项目

C:Python3zzplant

├ scrapy.cfg: 　　项目的配置文件
├ plant/: 　　该项目的 python 模块。之后您将在此加入代码。
├ plant/items.py: 　　项目中的 item 文件。
├ plant/pipelines.py: 　　项目中的 pipelines 文件。
├ plant/settings.py: 　　项目的设置文件。
└ plant/spiders/: 　　放置 spider 代码的目录。

编辑 items.py

import scrapy
class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

编写第一个爬虫(Spider)，创建文件 C:Python3zzplantplantspidersquotes_spider.py

下面这两步，是看教程： https://doc.scrapy.org/en/latest/intro/tutorial.html#creating-a-project　　，但是本机报错，明天再试

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)

进入项目文件夹，运行：

cd c:Python3zzplant
scrapy crawl quotes

正在看：

https://docs.scrapy.org/en/latest/intro/overview.html

建立一个文件 quotes_spider.py

输入命令：　　scrapy runspider quotes_spider.py -o quotes.json　　，然后生成了文件： quotes.json

python scrapy.exe runspider c:/Python3/zz/quotes_spider.py -o c:/Python3/zz/quotes.json　　（我win7上还是没装好）

虽然可以使用pip在Windows上安装Scrapy，但我们建议您安装Anaconda或Miniconda，并使用conda - forge通道中的软件包，以避免大多数安装问题。

https://docs.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes　　平台特定的安装说明

http://docs.continuum.io/anaconda/index　　Anaconda

http://conda.pydata.org/docs/install/quick.html　　Miniconda

Scrapy是用纯Python编写的，并且取决于几个关键的Python包（其中包括）：

lxml，一个高效的XML和HTML解析器
parsel，一个写在lxml之上的HTML / XML数据提取库，
w3lib，一个用于处理URL和网页编码的多功能助手
twisted，异步网络框架
cryptography and pyOpenSSL，以处理各种网络级的安全需求

Scrapy测试的最小版本是：
twisted14.0
lxml 3.4
pyOpenSSL 0.14

建立一个新项目 tutorial，输入命令：　　scrapy startproject tutorial

├ scrapy.cfg: 　　项目的配置文件
├ tutorial/: 　　该项目的 python 模块。之后您将在此加入代码。
├ tutorial/items.py: 　　项目中的 item 文件。
├ tutorial/pipelines.py: 　　项目中的 pipelines 文件。
├ tutorial/settings.py: 　　项目的设置文件。
└ tutorial/spiders/: 　　放置 spider 代码的目录。

建一个新蜘蛛，quotes_spider.py，文件保存路径：tutorial/tutorial/spiders/quotes_spider.py

# -*- coding: utf-8 -*-
# coding=utf-8

import scrapy
class QuotesSpider(scrapy.Spider):
    #name 识别蜘蛛。它在项目中必须是唯一的，也就是说，您不能为不同的Spiders设置相同的名称。
    name = "quotes"

    #必须返回一个可迭代的请求（您可以返回一个请求列表或写一个生成器函数），Spider将开始爬行。随后的请求将从这些初始请求连续生成。
    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)

    # 一种将被调用来处理为每个请求下载的响应的方法。响应参数是一个TextResponse保存页面内容的实例，并且还有其他有用的方法来处理它。
    # 该parse()方法通常解析响应，将刮取的数据提取为dicts，还可以查找新URL以从中创建新的请求（Request）。
    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)

运行我们的新蜘蛛，输入命令：　　scrapy crawl quotes　　，（在哪个目录下运行此命令，爬到的那一堆页面，就会被存在哪个目录中）

进入一种类似于命令行的模式，输入命令：　　scrapy shell "http://quotes.toscrape.com/page/1/"

response.css('title::text').extract() # 得到 ['Quotes to Scrape']

response.css('title').extract() # 得到 ['<title>Quotes to Scrape</title>']

response.xpath('//title') # 得到 [<Selector xpath='//title' data='<title>Quotes to Scrape</title>'>]

进入shell中输入命令：（下面这些是要在shell中执行的命令，不是文件）

scrapy shell 'http://quotes.toscrape.com'

response.css("div.quote")
quote = response.css("div.quote")
quote

tags = quote.css("div.tags a.tag::text").extract()
tags

for quote in response.css("div.quote"):
    text = quote.css("span.text::text").extract_first()
    author = quote.css("small.author::text").extract_first()
    tags = quote.css("div.tags a.tag::text").extract()
    print(dict(text=text, author=author, tags=tags))

2017-10-30、2017-12-8 练习：　　源码在这里，https://github.com/Germey/ScrapyTutorial

一、创建项目：

scrapy startproject tutorial

二、创建爬虫：

cd tutorial

scrapy genspider　　quotes quotes.toscrape.com　　在当前项目中创建spider。（创建了一个爬虫文件： utorial utorialspidersquotes.py）

scrapy genspider　　myfirst frps.eflora.cn　　　　在当前项目中创建spider。（创建了一个爬虫文件： plantplantspidersmyfirst.py）

utorial utorialspidersquotes.py　　（看爬虫的3个属性： name，allowed_domains，start_urls）

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

class QuotesSpider(scrapy.Spider):
    name = 'quotes'　　　　　　　　　　　　　　　　　　#每个项目里名字是唯一的，用来区分不同的Spider。
    allowed_domains = ['quotes.toscrape.com']　　 #允许爬取的域名，如果初始或后续的请求链接不是这个域名下的，就会被过滤掉
    start_urls = ['http://quotes.toscrape.com/']　　#包含了Spider在启动时爬取的url列表，初始请求是由它来定义的。

    def parse(self, response):
        pass

1、禁止ROBOTSTXT_OBEY：

打开settings.py文件第22行，修改为：ROBOTSTXT_OBEY = False。（在Scrapy启动后，会在第一时间访问网站的robots.txt 文件，然后决定该网站的爬取范围。）

2、尝试最初的爬取

scrapy crawl quotes 　　（接下来我们什么代码也不修改，执行爬取，运行此命令）

scrapy -h　　　　　#查看可用的命令的帮助信息

scrapy crawl -h 　　#查看某个命令更多的帮助信息

3、认识一下这些命令：

全局命令:

scrapy startproject myproject　　 Create new project 创建新的项目
scrapy settings 　　 Get settings values 获取设置值
scrapy runspider 　　 Run a self-contained spider (without creating a project) 运行一个自足的蜘蛛（不创建一个项目）
scrapy shell 　　　　 Interactive scraping console 互动刮控制台。例：scrapy shell http://www.example.com/some/page.html
scrapy fetch　　　　　Fetch a URL using the Scrapy downloader 取一个URL使用Scrapy下载。例：scrapy fetch --nolog http://www.example.com/some/page.html
scrapy view　　　　 Open URL in browser, as seen by Scrapy 在浏览器中打开网址，看到Scrapy。例： scrapy view http://www.example.com/some/page.html
scrapy version 　　 Print Scrapy version 打印Scrapy版本

项目(Project-only)命令:

scrapy crawl myfirst  　 Run a spider 使用spider进行爬取。
scrapy check myfirst 　 Check spider contracts 检查蜘蛛的合同
scrapy list 　　　　　  List available spiders 列出可用的蜘蛛
scrapy edit myfirst 　　 Edit spider 使用 EDITOR 中设定的编辑器编辑给定的spider（这个没啥用）
scrapy parse 　　    Parse URL (using its spider) and print the results 解析URL（使用它的蜘蛛）并打印结果。http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/commands.html#parse
scrapy genspider 　　 Generate new spider using pre-defined templates 在当前项目中创建spider。
scrapy deploy 　　将项目部署到Scrapyd服务。
scrapy bench 　　　　 Run quick benchmark test 运行快速基准测试

三、创建Item：

Item是保存爬取数据的容器，它的使用方法和字典类似，虽然你可以用字典来表示，不过Item相比字典多了额外的保护机制，可以避免拼写错误或者为定义字段错误。

创建Item需要继承scrapy.Item类，并且定义类型为scrapy.Field的类属性来定义一个Item。观察目标网站，我们可以获取到到内容有text, author, tags

修改items.py如下：

import scrapy

class QuoteItem(scrapy.Item):
    text = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()

四、解析Response：

quotes.py 的parse方法改写如下：

def parse(self, response):
    quotes = response.css('.quote')
    for quote in quotes:
        text = quote.css('.text::text').extract_first()
        author = quote.css('.author::text').extract_first()
        tags = quote.css('.tags .tag::text').extract()

http://www.cnblogs.com/qcloud1001/p/6826573.html　　看到这里，下次继续看

http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/items.html　　看到这里，下次继续看

scrapy学习笔记1、2、3：

https://www.imooc.com/article/21838

https://www.imooc.com/article/21839

https://www.imooc.com/article/21840

....