《精通Scrapy网络爬虫》第一章

网络爬虫

---

网络爬虫是指在互联网上自动爬取网站内容信息的程序，也被称为网络蜘蛛或网络机器人。一个网络爬虫的基本执行流程为：
1.下载页面
2.提取页面中的数据
3.提取页面中的链接

如果我们想要获取的数据不只在一个页面中，而是分布在多个页面中，一个页面中可能包含一个或多个到其他页面的链接，提取完当前页面的数据，还要对页面中的链接进行爬取，则循环1-3步骤。

Scrapy安装

---

首先安装Scrapy，在DOS窗口中输入如下命令：

提示：Failed building wheel for Twisted

1.安装Twisted

安装wheel的安装包需要安装wheel的库,在命令提示符窗口中输入如下命令：

用命令在终端下安装不成功可以安装whl格式的包
.whl文件下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
.whl文件下载的版本要与你自己的Python版本相对应，因为当前Twisted版本最高只有3.7的，我下载的是3.8版本的Python（版本太高也不好），所以又是一阵折腾，将3.8的卸载掉，安装了3.7的，然后下载了与3.7版本对应的.whl文件，文件如下：（注意操作系统是32位还是64位）

然后先跳转到我们下载.whl的文件夹路径， 直接用pip install 安装文件名即可，例如我的在D:\Python

但是却发现有以下提示：

经查询，我发现出现问题的原因是pip命令下的文件名不支持，所以查看当前pip命令支持的文件名还有版本，在shell中输入import pip; print(pip.pep425tags.get_supported())

发现又报错了…真欲哭无泪
上网查询可知是Win32和Win64的输入命令各有所不同，上面命令是win32的（也可能只是我自己电脑的原因），于是我找到了在win64下的命令:
import pip._internal;print(pip._internal.pep425tags.get_supported())
在shell中输入:

发现我的.whl文件名win_amd64部分是不被支持的，于是我将文件名换成了
Twisted-18.9.0-cp37-cp37m-win32.whl，然后安装成功。

2.安装LXML库

scrapy还依赖lxml库，安装lxml 在命令提示符窗口输入：

3.安装Scrapy

twisted库安装成功后，安装scrapy就简单了，在命令提示符窗口直接输入命令：

4.安装win32api

安装win32api:

在shell中输入import scrapy，验证是否安装成功：

如上图所示，即为成功。

第一个Scrapy爬虫

---

爬取网站http://books.toscrapy.com
我用的IDE为PyCharm
首先创建一个项目，命名为TestDemo.实现爬虫的Python文件位于TestDemo/spiders目录下,在该目录下创建新文件book_spider.py。

然后实现爬虫BooksSpider:

import scrapy
class BooksSpider(scrapy.Spider):
    #每一个爬虫的唯一标识
    name = 'books'

    #定义爬虫爬取的起始点，起始点可以是多个，这里只有一个
    start_urls=['http://books.toscrape.com/']

    def parse(self,response):
        #提取数据
        #每一本书的信息在<article class="product_pod">中，我们使用
        #css()方法找到所有这样的article元素，并依次迭代
        for book in response.css('article.product_pod'):
            #书名信息在article>h3>a元素的title属性里
            #例如：<a title="A Light in the Attic">A Light in the...</a>
            name = book.xpath('./h3/a/@title').extract_first()

            #书价信息在<p class="price_color">的TEXT中
            #例如:<p class="price_color">$51.77</p>
            price = book.css('p.price_color::text').extract_first()
            yield {
                'name':name,
                'price':price,
            }
 
        #提取链接
        #下一页的url在ul.pager>li.text>a 里面
        #例如：<li class="next"><a href="catalogue/page-2.html">next</a><li>
        next_url = response.css('ul.pager li.next a::attr(href)').extract_first()
        if next_url:
            #如果找到下一页的URL,得到绝对路径，构造新的Request对象
            next_url = response.urljoin(next_url)#next_url的绝对地址
            yield scrapy.Request(next_url,callback=self.parse)

在与settings.py为同一目录下创建一个main.py，然后添加如下代码（此代码为在命令提示符窗口输入的执行语句）：

from scrapy import cmdline

cmdline.execute(['scrapy','crawl','books','-o','books.csv'])

在PyCharm中点开Teminal，其作用相当于在此目录下打开命令提示符窗口，将目录改为spiders所在的文件夹下，我的为E:\ScrapyProjects\TestDemo\TestDemo>：然后执行语句
scrapy crawl books -o books.csv

属性	作用
name	每个爬虫的name属性是其自身的唯一标识
start_url	设置一个爬虫的其实爬取点
parse(方法)	页面解析函数，默认为parse，用来提取页面中的数据及链接，并产生对链接页面的下载请求

books为name属性的值，该值是每个爬虫的唯一标识
爬虫运行结束后，可以在books.csv文件中查看爬取到的数据