1、初识scrapy

Scrapy是一个从网上爬取数据的开源的、友好的框架。

An open source and collaborative framework for extracting the data from website.

scrapy具有以下优点：
1. 快速强大
2. 容易扩展
3. 适应于多平台

一个简单的爬虫

下面这个爬虫爬取了stackoverflow问题页中的内容。

stackoverflow_spider.py

import scrapy


class StackoverflowSpider(scrapy.Spider):
        name = 'stackoverflow'
        start_urls=['http://stackoverflow.com/questions?sort=votes']

        def parse(self, response):
            for href in response.css('.question-summary h3 a::attr(href)'):
                full_url = response.urljoin(href.extract())
                yield scrapy.Request(full_url, callback=self.parse_question)

        def parse_question(self, response):
            yield {
                'title': response.css('h1 a::text').extract()[0],
                'votes': response.css('.question .vote-count-post::text').extract()[0],
                'body': response.css('.question .post-text').extract()[0],
                'tags': response.css('.question .post-tag::text').extract(),
                'link': response.url
            }

运行命令scrapy runspider stackoverflow_spider.py -o result.csv，将爬虫爬取结果保存到result.csv中。

该爬虫的运行过程：
1. 使用start_urls作为初始url生成Request，并默认把parse作为它的回调函数。
2. 在parse中采用css选择器获得目标URL，并注册parse_question作为目标URL的回调函数。

scrapy的高级特性

• 内置css/xpath/re数据抽取器
• 交互式控制台用于调试数据抽取方法（scrapy shell）
• 内置对爬取结果的输出支持，可以将结果保存为json/csv/xml等
• 自动处理编码
• 支持自定义扩展
• 丰富的内置扩展，可用于处理：
  
  • cookies and session
  • http features like compression, authentication,caching
  • user-agent spoofing
  • robots.txt
  • crawl depth restriction