Scrapy框架简介及第一个爬虫

解析

Scrapy架构

组件（Scrapy Engine）
引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。
调度器(Scheduler)
调度器从引擎接受request并将它们入队，以便之后引擎请求它们时提供给引擎
下载器（Downloader）
下载器负责获取页面数据兵器同给引擎，而后提供给spider
Spider
spider是scrapy用户编写用于分析response并提供给item或额外跟进的URL类。每个spider负责处理一个特定（或一些）网站。更多内容请看spider
Item Pipeline
item Pipeline负责处理被spider提取出来的item。典型的处理有清理、验证及持久化（如存取到数据库中）
下载器中间件
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
数据流（Data flow）
Scrapy中的数据流由执行引擎控制，其过程如下:

1、引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2、引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3、引擎向调度器请求下一个要爬取的URL。
4、调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5、一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
6、引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7、Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8、引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
9、(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

环境搭建

Scrapy 环境搭建

创建一个爬虫项目

使用scrapy框架创建一个爬虫项目
scrapy startproject ITcast

我们使用tree查看项目中的文件

我们发现有生成的如下几个文件

• init.py
• items.py
• pipelines.py
• settings.py
• scrapy.cfg

在这几个文件中init.py 和scrapy.cfg这两个文件是用不到的。这里我们先不说
items.py
这里我们用gedit打开这个文件
gedit items.py

import scrapy

class ITcastItem(scrapy.Item):
    # define the fields for your item here like:
    # 
    # name = scrapy.Filed()
    pass

我们可以看的出来这个文件是用来对相关的字段进行定义。那我们要抓取一个人的相关信息 我们可以这样写这个文件

import scrapy

class ITcastItem(scrapy.Item):
     name = scrapy.Filed()
     sex = scrapy.Filed()
     speciaity.Filed()

可以看得出来这个文件只是定义了一个实体类
setting,py
这个文件是项目的配置文件。gedit settings.py 打开这个文件

BOT_NAME = 'ITcast'
SPIDER_MODULES = ['ITcast.spiders']
NEWSPIDER_MODULE = 'ITcast.spider'
# Obey robots.txt rules
ROBORSTXT_OBEY = True

因为我们写的是定向爬虫，前面三个按默认即可，我们不去管他。看第四项，注释里说这个配置项的意思是是否遵守robots.txt，那么robots.txt是个什么东西呢？
通俗来说，robots.txt是遵循Robot协议的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，可以使用什么爬虫进行爬去、哪些目录下的网页不希望你进行爬取收录。在Scrapy启动后，会在第一时间访问网站的robots.txt文件，然后决定该网站的爬取范围。
当然，我们并不是在做搜索引擎，而且在某些情况下我们想要获取的内容恰恰是被robots.txt所禁止访问的。所以，我们就将此配置项设置为False，拒绝遵守Robot协议！
pipelines.py
打开这个文件 （gedit pipelines.py）

# -*- coding: utf-8 -*-

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


class ItcastPipeline(object):
    def process_item(self, item, spider):
        return item

以上这些都是Scrapy框架自动生成的，那么接下来我们就写一个爬虫
这里我们爬去的是这个http://www.itcast.cn/channel/teacher.shtml#ajavaee页面
首先看一下要实现的效果

1、分析一下目标网页的结构

发现这三个节点分别在h3、h4、p标签之下
然后使用xpath helper验证一下

关于xpath语法的使用请自行百度
2、我们在items中定义三个字段

# -*- coding: utf-8 -*-

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

import scrapy

class ItcastItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    #老师的姓名
    name =scrapy.Field()
    #老师的职称
    title=scrapy.Field()
    #老师的信息 
    info=scrapy.Field()

3、使用模板创建一个爬虫
scrapy genspider itcast “域名”这里的域名为目标网址
使用gedit打开爬虫并修改如下

# -*- coding: utf-8 -*-
import scrapy

class ItcastSpider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['http://www.itcast.cn' //这一个允许的域名
    start_urls = ['http://www.itcast.cn/'] //这个是要爬取的域名
    def parse(self, response):
       print response.body  //

当然这段代码只是讲整个html页面下载下来，并没有其他的功能
接下来我们要对下载完成的html代码进行修改

4、对prase这个方法做如下修改

def parse(self,response):
    node_list=response.xpath["//div[@class='li_txt'"]
    #拿到这个父节点  然后通过递归查找子节点 
    for node in node_list:
        #extract ()这个方法的作用是 将字符串对象转换成字符串数组
        name=node.xpath["./h3.text()"].extrace()
        title-node.xpath["./h4.text()"].extracet()
        info=node.xpath["./p.text()"].extract()

        #然后取索引 
        print name[0]
        print title[[0]
        print info[0]

5、接下来我们指定生成一个csv 格式的文件

scrapy crawl itcast -o teacher.csv

要注意的一点是爬虫名为 name中的值。本篇文章中爬虫名称为itcast

刚开始使用Scrapy框架，有不道处还望读者指正。
联系方式gwisdoms@163.com