爬虫：Scrapy爬虫框架

Scrapy简介

通用爬虫框架流程

Scrapy 框架流程

Scrapy组件

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

Scrapy的安装

Linux下的安装(包括mac)

pip install scrapy

Windows下的安装

1. 下载twisted 
	http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
	
2. 安装wheel 
	pip3 install wheel

3. 安装twisted 
	进入下载目录，执行 pip3 install Twisted‑18.7.0‑cp36‑cp36m‑win_amd64.whl

4. 安装pywin32
	pip3 install pywin32

5. 安装scrapy 
	pip3 install scrapy 

基本命令

1. scrapy startproject 项目名称
	在当前目录中创建一个项目文件
	
2. scrapy genspider [-t template] <name> <domain>
	创建爬虫应用
		如：
     	 	scrapy gensipider -t basic oldboy oldboy.com
      		scrapy gensipider -t xmlfeed autohome autohome.com.cn
		或者简单直接: 
			 scrapy gensipider app名  要爬取的域名
	PS:
 		查看所有命令：scrapy gensipider -l
		查看模板命令：scrapy gensipider -d 模板名称
		
3. scrapy list
	展示爬虫应用列表
	
4. scrapy crawl 爬虫应用名称
	运行单独爬虫应用
备注：
	scrapy crawl 应用名称  表示以日志的形式运行爬虫应用，可以在后面加 --nolog  取消日志
    scrapy crawl 名称  --nolog

项目文件说明

• scrapy.cfg 项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py 设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines 数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders 爬虫目录，如：创建文件，编写爬虫规则

项目案例

项目介绍

为了充分利用网上大数据资源,让用户能够方便利用影视信息,采用基于 Scrapy 框架的爬虫技术,开发了检索电影信息的搜索引擎。对豆瓣网站的影视信息进行爬取,以方便用户准确获取最新的电影信息。

项目代码

以“豆瓣电影”为爬取目 标,爬取网站中的影视信息。主要包括网站排名 “ Top250 ”和喜剧、动作类电影的电影名称、电影评分、电影导演, 电影上映时间以及电影评语。

创建工程

scrapy startproject DouBan

创建爬虫程序

cd DouBan/
scrapy genspider douban 'douban.com'

自动创建目录及文件

编写爬虫文件（douban.py）

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from DouBan.items import DoubanItem
import copy


class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['douban.com']
    # start_urls = ['http://douban.com/']
    start_urls = ['https://movie.douban.com/top250']
    url = 'https://movie.douban.com/top250'

    def parse(self, response):
        items = DoubanItem()
        # with open('douban.html', 'w') as f:
        #     f.write(response.text)
        movies = response.xpath("//ol[@class='grid_view']/li")
        for movie in movies:
            title = movie.xpath(".//span[@class='title']/text()").extract()[0]
            rating_num = movie.xpath(".//span[@class='rating_num']/text()").extract()