Scrapy入门（一）

Scrapy入门

首先给出官方中文文档链接——官方文档。遇到什么不懂得，看官方文档是最好的解决办法。

文章基于Windows10操作系统，使用Anaconda——Python3.7，IDE——Pycharm community 2018.3.2 ，Scrapy版本1.5.2
参考书籍：精通Scrapy网络爬虫 刘硕

直接使用Anaconda Prompt中shell指令conda install scrapy即可安装scrapy库

Scrapy简单介绍

Scrapy 使用了 Twisted 异步网络库来处理网络通讯。整体架构大致如下

其中绿色为数据流。图片来源于互联网

对于用户来说Spider是最核心得组件，Scrapy得开发是围绕着Spider展开的。

Scrapy运行流程大概如下：

• 当Spider要爬取某Url页面时，需要构造一个Request对象，并提交给Engine。
• Request对象进入Scheduler后按照某种算法进行排队，并在某个时刻送往Downloader。
• Downloader根据Request中得Url发送Http请求到网站服务器，并根据网站的Http响应构造一个Response对象，其中包含网站的Html文本
• Response对象最终被送给Spider的液面解析函数进行处理，并封装成Item后交给Engine之后送往Item Pipelines，最终可能由Exporter以某种数据格式写入文件，另一方面，页面解析函数可以从Html页面中构造出新的Request对象交给Engine。

Spider开发流程

对于Scrapy框架，需要用户实现的最重要的就是Spider子类，实现一个Spider子类需要用户完成以下几个问题

• 爬虫从哪个页面开始爬取
• 对于一个已经下载到本地的页面，需要提取哪些信息
• 当本页面信息提取完毕，接下来爬取哪些页面

解决了以上几个问题，爬虫也就实现的差不多了。下面开始简单介绍一下Scrapy库的使用。

Scrapy库的使用

Scrapy的使用离不开shell，除了完善Spider,items,setting,pipelines子类需要在Pycharm里编写代码，其他的都需要使用Anaconda Prompt

Scrapy简单介绍

在shell里输入scrapy会出现下图所示界面
记住几个常用的就行，其他的需要用的时候在查

• scrapy crawl <爬虫名称> 运行一个编写好的爬虫。
• scrapy genspider <爬虫名称> <爬虫起始Url> 生成一个Scrapy模板。
• scrapy shell <Url> 在一个交互命令行下操作一个Scrapy爬虫，一般可以使用shell来做前期测试，如果可以正常爬取，再去编写Scrapy。
• scrapy startproject <Name> 创建一个Scrapy项目
• Scrapy version 显示Scrapy库的版本
• Scrapy view <Url> 使用浏览器打开Url（此时的页面为下载到本地的页面，而不是http请求的页面）

简单小示例

下面编写一个简单的Scrapy爬虫爬取http://books.toscrape.com/中每一本书的信息，并保存到csv文件中。

首先需要对页面进行分析，在此我们就不分析了，默认读者有相关前端知识，直接去做。

创建一个Scrapy项目

scrapy startproject example

生成模板

cd example // 进入文件夹
scrapy genspider books books.toscrape.com

定义封装书籍信息的Item类

打开Pycharm，在example/items.py中输入

class bookItem(scrapy.Item):
    name = scrapy.Field()
    price = scrapy.Field()
    review_rating = scrapy.Field()
    review_num = scrapy.Field()
    upc = scrapy.Field()
    stock = scrapy.Field()
    pass

实现Spider解析函数

在example/spider/books.py中实现

• 书籍列表页面解析函数parse()
• 书籍页面解析函数parse_book()

#coding = utf-8
import scrapy
from scrapy.linkextractors import LinkExtractor
from ..items import bookItem
class bookSpider(scrapy.Spider):
    name = "books"
    allowed_domains = ["books.toscrape.com"]
    start_urls = ['http://books.toscrape.com/']

    def parse(self, response):
        le = LinkExtractor(restrict_css = 'article.product_pod h3')
        for link in le.extract_links(response):
            yield scrapy.Request(link.url, callback= self.parse_book)

        le = LinkExtractor(restrict_css = 'ul.pager li.next')
        links = le.extract_links(response)
        if links:
            next_url = links[0].url
            yield scrapy.Request(next_url, callback = self.parse)

    def parse_book(self, response):
        book = bookItem()
        sel = response.css('div.product_main')
        book['name'] = sel.xpath('./h1/text()').extract_first()
        book['price'] = sel.css('p.price_color::text').extract_first()
        book['review_rating'] = sel.css('p.star-rating::attr(class)').re_first('star-rating ([A-Za-z]+)')
        sel = response.css('table.table.table-striped')
        book['upc'] = sel.xpath('(.//tr)[1]/td/text()').extract_first()
        book['stock'] = sel.xpath('(.//tr)[last()-1]/td/text()').re_first('\((\d+) available\)')
        book['review_num'] = sel.xpath('(.//tr)[last()]/td/text()').extract_first()
        yield book

设置管道

在pipelines.py中实现bookPipeline()类，用以实现映射功能（仅针对本例中将one,two…映射为1,2,…方便阅读）

class bookPipeline(object):
    review_rating_map={
        'One': 1,
        'Two': 2,
        'Three': 3,
        'Four': 4,
        'Five': 5,
    }
    def process_item(self, item, spider):
        rating = item.get('review_rating')
        if rating:
            item['review_rating'] = self.review_rating_map[rating]
        return item

配置文件

在setting.py中进行最后配置
先启用管道

ITEM_PIPELINES = {
   'example.pipelines.bookPipeline': 300,
}

再设置数据输出顺序
FEED_EXPORT_FIELDS=['upc','name','price','stock','review_rating','review_num']

运行爬虫

在shell中运行爬虫
scrapy crawl books -o books.csv
之后就可以看到自己所爬到的数据啦

本次项目所留下的坑

• xpath()选择器
• css()选择器
• 正则表达式如何运用
• field是怎样处理数据的
• Item Pipeline是怎样处理数据的
• linkextractor怎样提取Url链接

下一篇：Scrapy入门（二）