python 爬虫 scrapy 和 requsts 哪个快_Python爬虫入门，快速抓取大规模数据(第六部分)...

在前面的章节中，我们以尽量少的代码演示了爬虫的基本原理。如果只是需要抓取一些简单的数据，那么我们修改一下前面的代码就可以完成任务了。但是当我们需要完成一些复杂的大型抓取任务时，我们就需要考虑更多东西，例如爬虫的可扩展性，抓取效率等。

现在让我们再回顾一下我们抓取的过程：从待下载URL列表取出URL；构造和发送HTTP请求下载网页；解析网页提取数据，解析网页提取URL并加入待下载列表；存储从网页提取的数据。在这个过程中有很多地方是通用的，而对于具体抓取任务有关的只是网页数据和URL提取。因为通用代码部分可以重用，所以框架就诞生了。现在python下有很多爬虫框架，比较常用的是Scrapy。接下来的我们简单的介绍一下Scrapy的用法。

Scrapy框架介绍和安装

Scrapy是python开发的一个快速和高效的web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy被广泛的应用于于数据挖掘、监测和自动化测试。Scrapy的安装也非常容易，简单的运行运行pip install Scrapy，我们需要的开发环境就准备好了。

创建Scrapy项目

这里我们会用Scrapy框架重写我们前面的爬虫。在开始前我们需要创建一个新的Scrapy项目。假设我们的项目名叫Douban，运行scrapy startproject Douban。文件夹Douban被创建出来了，这个文件夹下包含了我们爬虫的基本框架。

这里有几个比较重要的概念：Item代表了我们从网页中提取到的数据，我们提取出的数据会存放到一个Item对象中。

Spider处理抓取返回的网页，实现数据的提取。提取数据生成item对象并返回给框架。

Pipeline实现抓取数据存储。当Spider返回的Item对象，框架将会根据配置调用pipeline来存储数据。为什么要叫pipeline呢？因为我们可以实现多个数据存储方式，比如数据需要保存到数据库和文件，那我们就可以实现和配置两pipeline类，不同的存储方式依次调用。

Request代表一个下载请求，由下载URL生成。

Response代表一个下载结果，包含了抓取网页的内容。

创建Item类

我们使用Item类来对从网页中解析出的数据进行封装，方便在各个模块之间传递和做进一步处理。爬虫的Item类非常简单，直接继承scrapy的Item 类并定义相应的属性字段来对数据进行存储。每个字段类型为scrapy.Field(），可以用来存储任意类型的数据。 现在看看我们的Item类定：

class DoubanItem(scrapy.Item):

book_title = scrapy.Field()

book_image_url = scrapy.Field()

book_introduce = scrapy.Field()

创建Spider类

Spider类主要是用来解析数据的类，其包含了一些用于下载的初始URL和提取网页中的链接和数据的方法。所有的Spider都必须继承自scrapy.Spider类，并实现三个属性:name: Spider的名字。

start_urls: 爬虫启动的url列表。

parse() : 解析抓取的网页内容, 每个url下载后会调用这个该函数提取数据（并生成返回item对象），以及提取和生成需要进一步处理的URL的Request对象。

现在让我们看看我们的Spider类,代码DoubanSpider.py应该保存到目录douban/spiders：

import scrapy

class DoubanSpider(scrapy.Spider):

name = "Douban"

start_urls = ["https://book.douban.com/subject/26986954/"]

# 参数response是网页下载的内容

def parse(self, response):

item = DoubanItem()

# 提取图书名

item['book_name'] = response.css("div#wrapper h1 span").extract_first()

# 提取图书的封面图片

item['book_image_url'] = soup.css("div#mainpic a.nbg img").extract_first()

# 提取图书的内容简介

item['book_introduce'] = soup.select("div#link-report span.short div.intro").extract_first()

# 使用yield返回生成的Item对象

yield item

# 解析出新的URL,生成Request对象，并返回给框架

url = response.css("a::attr(href)").extract_first()

yield scrapy.Request(url = url,callback = self.parse)

创建pipeline类

Scrapy使用pipeline模块来保存数据的操作。也就是Spider类的parse()方法返回的Item对象将会传递给Pipeline中的类，由Pipeline来完成具体的保存工作。在创建的Scrapy项目时会自动创建了一个pipeline.py文件，它包含了一个默认的Pipeline类。

Pipeline类会在process_item()方法中处理数据，然后在结束时调用 close_spider()方法，因此我们需要这两个方法做相应的处理。

class DoubanPipeline(object):

def process_item(self, item, spider):

connection = None

cursor = None

# 数据库的connection

connection = sqlite3.connect('test.db')

cursor = conn.cursor()

# 添加新的到数据库的表中

sql = "INSERT INTO books(book_name, book_image_url, book_introduce) VALUES('%s', '%s', '%s')" % (item['book_title'], item['book_image_url'], item['book_introduce'])

cursor.execute(sql)

connnection.commit()

connection.close()

运行爬虫

在项目目录下，执行命令scrapy crawl Douban，我们可以看到的爬虫开始爬取网页了。

总结

现在让我们回顾一下我们所有代码在Scrapy框架下是如何工作的:首先，Scrapy为Spider的start_urls属性中的每个URL创建scrapy.Request对象，并将parse()方法作为回调函数传递给了Request对象。

Request对象经过框架调度，执行下载后得到scrapy.http.Response对象，这个对象被传递给Spider的parse()方法解析。

Spider的parse()方法解析数据并返回Item对象，Item对象被传递给Pipeline对象的process_item()处理。

Pipeline的process_item()完成提取到的数据（Item对象）的存储或任何需要的处理。

如果parse()方法解析出了新的URL并返回新的Request对象，在这个新的Request对象会重复上述步骤处理，从而实现连续的数据抓取。