熟练使用Scrapy框架做基本的爬虫开发

Scrapy-Splash渲染
splash是一个JavaScript渲染服务。它是一个实现了HTTP API的轻量级浏览器，splash使用python实现的，同时使用Twisted和QT.
scrapy-splash 是为了方便scrapy框架使用splash而进行的封装。它能与scrapy框架更好的结合，相比较于在python中 使用requests库或者使用scrapy 的Request对象来说，更为方便，而且能更好的支持异步。
原理说明
基于spalsh渲染后HTML，通过配置文件解析，入库。 提高了效率，一天可以写几十个配置dict，即完成几十个网站爬虫的编写。
配置文件说明:
{
“industry_type”: “政策”, # 行业类别
“website_type”: “央行”, # 网站/微信公众号名称
“url_type”: “中国人民银行-条法司-规范性文件”, # 网站模块
“link”: “http://www.pbc.gov.cn/tiaofasi/144941/3581332/index.html”, # 访问链接
“article_rows_xpath”: ‘//div[@id=“r_con”]//table//tr/td/font[contains(@class, “newslist_style”)]’,
# 提取文章列表xpath对象
“title_xpath”: “./a”, # 提取标题
“title_parse”: “./@title”, # 提取标题
“title_link_xpath”: “./a/@href”, # 提取标题链接
“date_re_switch”: “False”, # 是否使用正则提取日期时间
“date_re_expression”: “”, # 日期时间正则表达式
“date_xpath”: “./following-sibling::span[1]”, # 提取日期时间
“date_parse”: “./text()”, # 提取日期时间
“content”: ‘//*[@class=“content”]’, # 正文HTML xpath
“prefix”: “http://www.pbc.gov.cn/”, # link前缀
“config”: “{‘use_selenium’:‘False’}” # 其他配置：是否使用selenium（默认使用spalsh）
},
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 现在我们需要给我们的scrapy添加代理中间件 class ProxyMiddleware(object): def process_request(self, request, spider): request.meta['splash']['args']['proxy'] = proxyServer request.headers["Proxy-Authorization"] = proxyAuth 使用亿牛云爬虫代理通过scrapy-splash爬虫就可以愉快的抓取数据了