爬虫代理Scrapy框架详细介绍1

一、Scrapy 框架介绍

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。
框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。
Scrapy 使用了 Twisted’twɪstɪd异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。
Scrapy架构图(绿线是数据流向)：
二、Scrapy的安装介绍
Scrapy框架官方网址：http://doc.scrapy.org/en/latest
Scrapy中文维护站点：https://scrapy-chs.readthedocs.io/zh_CN/latest/
Windows 安装方式
Python 2 / 3
升级pip版本：pip install --upgrade pip
通过pip 安装 Scrapy 框架pip install Scrapy
Ubuntu 需要16.04或以上版本安装方式
Python 2 / 3
安装非Python的依赖 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通过pip 安装 Scrapy 框架 sudo pip install scrapy
安装后，只要在命令终端输入 scrapy，提示类似以下结果，代表已经安装成功

具体Scrapy安装流程参考：http://doc.scrapy.org/en/late… 里面有各个平台的安装方法
三、制作爬虫 （spiders/itcastSpider.py）
爬虫功能要分两步：

1. 爬数据
   在当前目录下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：
   scrapy genspider itcast “itcast.cn”
   打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:
   import scrapy
   class ItcastSpider(scrapy.Spider):
   name = “itcast”
   allowed_domains = [“itcast.cn”]
   start_urls = (
   ‘http://www.itcast.cn/’,
   )
   def parse(self, response):
   pass
   其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦
   要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。
   name = “” ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
   allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。
   start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
   parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
   负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
   生成需要下一页的URL请求。
   将start_urls的值修改为需要爬取的第一个url
   start_urls = (“http://www.itcast.cn/channel/teacher.shtml”,)
   修改parse()方法
   def parse(self, response):
   filename = “teacher.html”
   open(filename, ‘w’).write(response.body)
   然后运行一下看看，在mySpider目录下执行：
   scrapy crawl itcast
   是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用 scrapy genspider命令的唯一爬虫名。
   运行之后，如果打印的日志出现 [scrapy] INFO: Spider closed (finished)，代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。
   注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码；
   我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：
   import sys
   reload(sys)
   sys.setdefaultencoding(“utf-8”)
   这三行代码是Python2.x里解决中文编码的万能钥匙，经过这么多年的吐槽后Python3学乖了，默认编码是Unicode了…(祝大家早日拥抱Python3)
2. 取数据
   爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

xxx

xxxxx

xxxxxxxx

是不是一目了然？直接上XPath开始提取数据吧。 我们之前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来 from mySpider.items import ItcastItem 然后将我们得到的数据封装到一个 ItcastItem 对象中，可以保存每个老师的属性： from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 将我们得到的数据封装到一个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最后数据 return items 我们暂时先不处理管道，后面会详细介绍。 保存数据 scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下： json格式，默认为Unicode编码 scrapy crawl itcast -o teachers.json json lines格式，默认为Unicode编码 scrapy crawl itcast -o teachers.jsonl csv 逗号表达式，可用Excel打开 scrapy crawl itcast -o teachers.csv xml格式 scrapy crawl itcast -o teachers.xml 思考 如果将代码改成下面形式，结果完全一样。 请思考 yield 在这里的作用： from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 #items = [] for each in response.xpath("//div[@class='li_txt']"): # 将我们得到的数据封装到一个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] #items.append(item) #将获取的数据交给pipelines yield item # 返回数据，不经过pipeline #return items