Scrapy框架介绍及基础示例

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:

组件：

	引擎(Scrapy)
		用来处理整个系统的数据流, 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。

运行流程大概如下：

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

示例：
新建项目：

scrapy startproject xiaohua
cd xiaohua
scrapy genspider xiaohua xiaohuar.com

项目目录：
pro_name_dir/

 scrapy.cfg            # 部署配置文件
    	    pro_name/             # project's Python module, you'll import your code from here
    	        __init__.py
        	    items.py          # 设置数据存储模板，用于结构化数据，如：Django的Model
       	        middlewares.py    # 中间件文件
       	        pipelines.py      # 数据处理行为，如：一般结构化的数据持久化
       	        settings.py       # 项目配置文件
       	        spiders/          # 爬虫目录，如：创建文件，编写爬虫规则
    	            __init__.py
    	            xiaohua.py

items.py

import scrapy

class XiaohuaPicItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    addr = scrapy.Field()
    name = scrapy.Field()

setttings.py

ITEM_PIPELINES = {
   'xiaohua_pic.pipelines.XiaohuaPicPipeline': 100,
}

pipelins.py

import urllib
import os

class XiaohuaPicPipeline(object):
    def process_item(self, item, spider):
        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}
        req = urllib.request.Request(url=item['addr'], headers=headers)
        # Python3.3之后urllib与urllib2合并，只能使用urllib.request/response代替urllib2
        res = urllib.request.urlopen(req)
        # 确保pic_dir目录真实存在
        file_name = os.path.join(r'E:\python_project_dir\xiaohua_pic\pic_dir', item['name'] + '.jpg')
        with open(file_name, 'wb') as fp:
            fp.write(res.read())

xiaohua.py

# -*- coding: utf-8 -*-
import scrapy
import os
from scrapy.http import Request
from xiaohua_pic.items import XiaohuaPicItem

class XiaohuaSpider(scrapy.Spider):
    name = 'xiaohua'
    allowed_domains = ['xiaohuar.com']
    start_urls = ['http://www.xiaohuar.com/hua/']

    url_set = set()
    def parse(self, response):
        # 获取所有图片的a标签
        if response.url.startswith("http://www.xiaohuar.com/list-"):
            allPics = response.xpath('//div[@class="img"]/a')
            for pic in allPics:
                # 分别处理每个图片，取出名称及地址
                item = XiaohuaPicItem()
                name = pic.xpath('./img/@alt').extract()[0] # 提取获取名称
                addr = pic.xpath('./img/@src').extract()[0] # 提取获取img的src
                addr = 'http://www.xiaohuar.com' + addr
                item['name'] = name
                item['addr'] = addr
                yield item # 返回爬到的信息
        # 获取所有链接地址
        urls = response.xpath("//a/@href").extract()
        for url in urls:
            # 筛选href为http://www.xiaohuar.com/list-的分页url，
            if url.startswith("http://www.xiaohuar.com/list-"):
                if url in XiaohuaSpider.url_set:
                    pass
                else:
                    XiaohuaSpider.url_set.add(url)
                    yield self.make_requests_from_url(url) # 回调parse，将新url传入
                    # 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数
                    # from scrapy.http import Request
                    # Request(url,callback=self.parse)
            else:
                pass

运行：
scrapy crawl xiaohua
或cd spider
scrapy runspider xiaohua.py