python爬虫篇7——Scrapy框架搭建与使用

在写这篇文章之前，先给大家介绍一下Scrapy框架基本知识。Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常方便。

scrapy架构图

• crapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

• 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。

• 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，

• Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item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)，

• Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

• Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

• Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

Scrapy框架安装步骤

1. python -m pip install --upgrade pip    更新pip版本到最新

2. pip install wheel  安装wheel

3. 依次安装Lxml，twisted，Pywin32

4. pip install scrapy  安装scrapy

Lxml，twisted，Pywin32三个文件我已经整理到一起来，大家需要的可以直接下载，我使用的是python3.7版本。

Scrapy基本命令

scrapy startproject ITCast 创建一个scrapy项目
scrapy 获取功能列表
scrapy genspider itcast "http://www.itcast.cn" 创建一个爬虫，itcast爬虫名称，网址为主地址
scrapy check itcast 检查网页状态
scrapy crawl itcast 
启动爬虫
scray shell "ht0tp://www.itcast.com" 测试响应数据功能和IPython类似
基础知识
xpath()：传入xpath表达式，返回该表达式所对应的所有节点的selector list列表
extract()：序列化该节点为Unicode字符串并返回list
css()：传入css表达式，返回表达式所对应的所有节点的selector list列表，语法同BeautiSoup4
re()：根据传入的正则表达式对数据进行提取，返回Unicode字符串list列表
爬虫过程
1.scrapy startproject XXX
2.scrapy genspider xxx "http: //www. xxx. com"
3.编写items.py，明确需要提取的数据
4.编写spiders/xxx.py, 编写爬虫文件，处理请求和响应，以及提取数据（yield.item）
5.编写pipelines.py，编写管道文件，处理spider返回的item数据，比如本地持久化存储等..
6.编写settings.py, 启动