Python-爬虫（Scrapy爬虫框架，爬取豆瓣读书和评分）

1.Scrapy注意点

Scrapy是爬虫框架。

它分为一下部分，其中引擎是核心

1. Scrapy Engine(引擎):负责spider、ltemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
2. Scheduler(调度器):它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。默认使用16个线程爬取数据
3. Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给spider来处理。
4. Spider(爬虫):它负责处理所有Responses,从中分析提取数据，获取ltem字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)。
5. ltem Pipeline(管道):它负责处理Spider中获取到的ltem，并进行后期处理（详细分析、过滤、存储等)的地方。（将爬虫爬取到的数据进行存储）
6. Downloader Middlewares(下载中间件):一个可以自定义扩展下载功能的组件。
7. Spider Middlewares (Spider中间件):一个可以自定扩展和操作引擎和spider中间通信的功能组件。

通过pip install scrapy在终端上下载这个爬虫框架。

注意：框架不能像包一样直接导入，需要生成框架结构，在这个结构上操作

启动框架：

首先在终端上进入到要生成项目的路径.

然后输入scrapy startproject 项目名启动框架

此时项目路径下会有一个框架生成的文件夹

之后生成爬虫文件命令如图：

先进入爬虫spiders文件夹中，输入scrapy genspider 爬虫文件名称 爬取网页的链接命令生成爬虫文件。这里以豆瓣读书为例

最后使用scrapy crawl +爬虫名（book）来启动爬虫，因为在终端不方便数据查询，所以一般会使用其他方式启动。

这里创建新文件运行这个命令

运行结果scrapy日志信息是红色输出，网页源码以白色输出。

2. Scrapy爬取豆瓣读书和评分

scrapy爬取基本流程如下：

1. 设置爬虫基础参数 settings.py
2. 爬虫
3. 数据封装
4. 管道

设置爬虫基础参数

这里不遵守这个协议，否则爬取不到什么信息了。改成False

默认爬取的线程数，可以取消注释，并修改数目，默认16个线程。

爬取网页后暂停的时间数目，默认不暂停。

请求头，这里需要至少要修改成浏览器信息

设定保存优先级，数字越大，优先级越小。用于多种保存方式下，哪一种保存方式优先。

代码部分

数据定义items.py

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


# 封装数据
class TestscrapyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    rating_nums = scrapy.Field()

爬虫部分spiders/book.py

import scrapy
import re
from ..items import TestscrapyItem


class BookSpider(scrapy.Spider):
    name = 'book'  # 通过这个名字启动爬虫
    allowed_domains = ['book.douban.com']
    start_urls = ['https://book.douban.com/top250?start=0']

    def parse(self, response):
        # response是爬虫返回的网页数据
        # print(response.text)

        # 封装对象
        items = TestscrapyItem()

        title = re.findall('<a href=".*?" οnclick=.*?;moreurl.*?; title="(.*?)"', response.text)
        rating_nums = re.findall('<span class="rating_nums">(.*?)</span>', response.text)

        # print(rating_nums)
        # 封装数据给pipelines
        for title, rating_nums in zip(title, rating_nums):
            items['title'] = title
            items['rating_nums'] = rating_nums
            yield items #给pipelines

数据存储部分pipelines.py

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


# 保存数据
class TestscrapyPipeline:
    def __init__(self):
        self.file = open('data.txt', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        self.file.write(f"{item['title']}  评分:{item['rating_nums']}\n==========\n")
        return item  # 通知爬虫，这个数据已经保存成功了

    # 析构函数
    def __del__(self):
        self.file.close()
        print('文件保存成功')

启动爬虫执行cmd命令 start.py

import os

os.system('scrapy crawl book')

运行结果