Scrapy 教程(二)-操作流程

scrapy 是个爬虫框架，是由python编写的，用法类似 django 框架。

创建工程

在开始爬虫之前，先创建工程

scrapy startproject projectname

目录结构如下图

文件说明

顶层的scrapy1是工程名

第二层的scrapy1相当于app名

scrapy.cfg 工程的配置信息，目的是使得工程能够正常运行

# Automatically created by: scrapy startproject
#
# For more information about the [deploy] section see:
# https://scrapyd.readthedocs.io/en/latest/deploy.html

[settings]
default = scrapy1.settings

[deploy]
#url = http://localhost:6800/
project = scrapy1

spiders 用来创建具体的爬虫

settings.py 具体爬虫的配置文件，相当于django中app的settings

BOT_NAME = 'scrapy1'

SPIDER_MODULES = ['scrapy1.spiders']
NEWSPIDER_MODULE = 'scrapy1.spiders'

items.py 设置数据存储的模板，用于结构化数据，相当于django中app的model

import scrapy

class Scrapy1Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

pipelines.py 数据处理行为，如数据持久化

class Scrapy1Pipeline(object):
    def process_item(self, item, spider):
        return item

middlewares.py 中间件　　

创建爬虫

一、在 spiders 文件夹中创建爬虫文件

可以手动创建，跟创建普通py文件一样；

也可以命令行创建；

进入工程目录，运行

scrapy genspider baidu baidu.com

baidu 表示文件名，也是爬虫名，也是爬虫类名；baidu.com是网站域名

class BaiduSpider(scrapy.Spider):
    name = 'baidu'
    allowed_domains = ['baidu.com']
    start_urls = ['http://baidu.com/']

allowed_domains 表示搜索域，如果 start_urls 不在搜索域内，不会发送请求，但是经我实验，貌似也可以

注意爬虫名不能和工程名相同

二、爬虫类的开发

1. 爬虫类需要继承自 scrapy的爬虫类型，如 scrapy.Spider

2. 必须显式定义 name 类属性，表示爬虫名；

3. 明确爬取的网址；

4. 重写 scrapy 的 start_requests 方法，用于下载页面，这个方法内显式调用解析器，网址也可以写在这个方法内（可选）　　【start_requests 必须返回一个可迭代对象】

5. 解析器定义（也可选，如果没有，只下载就是了）

6. 也可以设置 custom_settings、crawler 属性【不常用，具体请百度】

7. close 方法，爬虫结束时，调用该方法。【不常用】

class Kachezhijia(scrapy.Spider): # 需要继承scrapy.Spider类
    name = "kache" # 定义蜘蛛名

    def start_requests(self):
        ''' 下载器'''
        # 爬取的链接
        urls = ['https://bbs.360che.com/thread-3119294-1-1.html']
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)  # 爬取到的页面提交给parse方法处理

    def parse(self, response):
        ''' 解析器'''
        # 这里只是做个简单存储
        page = response.url.split("/")[-2]
        filename = 'mingyan-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('保存文件: %s' % filename)     # 调用父类的log方法

scrapy.Spider 类并没有提供什么特殊方法，仅仅提供了 start_requests 的默认实现，即读取并请求 start_urls 中的url，并根据返回 response 调用 parse 方法。

如果不重写 start_requests，会运行父类的该方法，需要在 start_urls 中定义url；

如果不重写 start_requests ，解析器的名字必须为 parse，框架自动调用，如果不是parse，无法调用，如果重写了 start_requests，解析器名字随意，反正是显示调用

class Test2Spider(scrapy.Spider):
    name = 'test2'
    allowed_domains = ['baidu.com']
    start_urls = ['https://bbs.360che.com/thread-3119294-1-1.html']

    def parse(self, response):
        ''' 解析器'''
        filename = 'test2.html'
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('保存文件: %s' % filename)     # 调用父类的log方法

爬虫文件与items.py、pipelines.py 的关系

爬虫文件返回 item，【item的格式是item.py中的类格式，类似字典】

这个item会被交给 scrapy 引擎，

引擎把item交给pipelines.py，

pipelines 会判断item是否是item.py的类型，如果是，会执行后续操作，然后必须返回item，【如果不返回，整个下载存储的链条会断掉】

item被交给后面的pipelines，如果只有一个pipelines，那item被交给 scrapy 引擎，引擎告知解析器。

运行爬虫

进入工程目录，运行

scrapy crawl test2

注意最后的 test2 是爬虫名，不是文件名，也不是爬虫类名

这里其实已经可以爬了，但是还有更专业的作法。

上面是解析的同时已经存储了，但是可以分开做。

数据模型

items.py，设定数据格式

class TianqiItem(scrapy.Item):
    # define the fields for your item here like:
    test = scrapy.Field()

管道操作

如存储数据

class TianqiPipeline(object):
    def __init__(self):
        self.f = open('save.txt', 'wb')

    def process_item(self, item, spider):
        self.f.write(str(dict(item)))
        return item

    def close_spider(self, spider):　　　　# 爬虫结束时执行该方法
        self.f.close()

要执行管道需要在settings中进行设置

补充教程

这部分详见《python 爬虫开发与项目实战》第13章

1. 在编写 spider 类时，我们继承了 scrapy.Spider，当然也可以继承其他类，如 CrawlSpider、XMLFeedSpider，来实现不同的爬虫任务，其用法都类似。

2. 在编写 parse 构建 item 时，可以使用 item loader，灵活高效，便于大型项目的维护

我们看到 name 字段从页面中两个位置提取，直接赋给一个字段