爬虫框架Scrapy学习（一）

一、安装Scrapy

运行命令：

pip install scrapy

安装失败遇到如下图

需要解决的应该是

到这里下载 twisted 64位 的版本后运行pip install [对应的twisted离线whl路径]安装，又出现

Twisted-18.7.0-cp27-cp27m-win_amd64.whl is not a supported wheel on this platform.

 原因是这个版本的twisted不被当前的Python所支持，度娘一番后，在这位博主的文章中找到历史版本

再次运行  pip install    成功安装

C:\Users\Administrator\Downloads>pip install Twisted-17.5.0-cp36-cp36m-win_amd64.whl
Processing c:\users\administrator\downloads\twisted-17.5.0-cp36-cp36m-win_amd64.whl
Requirement already satisfied: constantly>=15.1 in e:\python36\lib\site-packages (from Twisted==17.5.0) (15.1.0)
Requirement already satisfied: incremental>=16.10.1 in e:\python36\lib\site-packages (from Twisted==17.5.0) (17.5.0)
Requirement already satisfied: zope.interface>=4.0.2 in e:\python36\lib\site-packages (from Twisted==17.5.0) (4.5.0)
Requirement already satisfied: Automat>=0.3.0 in e:\python36\lib\site-packages (from Twisted==17.5.0) (0.7.0)
Requirement already satisfied: hyperlink>=17.1.1 in e:\python36\lib\site-packages (from Twisted==17.5.0) (18.0.0)
Requirement already satisfied: setuptools in e:\python36\lib\site-packages (from zope.interface>=4.0.2->Twisted==17.5.0) (28.8.0)
Requirement already satisfied: six in e:\python36\lib\site-packages (from Automat>=0.3.0->Twisted==17.5.0) (1.11.0)
Requirement already satisfied: attrs>=16.1.0 in e:\python36\lib\site-packages (from Automat>=0.3.0->Twisted==17.5.0) (18.2.0)
Requirement already satisfied: idna>=2.5 in e:\python36\lib\site-packages (from hyperlink>=17.1.1->Twisted==17.5.0) (2.7)
Installing collected packages: Twisted
Successfully installed Twisted-17.5.0

 然后运行 pip install scrapy  安装成功

C:\Users\Administrator\Downloads>pip install scrapy
Collecting scrapy
  Using cached https://files.pythonhosted.org/packages/5d/12/a6197eaf97385e96fd8ec56627749a6229a9b3178ad73866a0b1fb377379/Scrapy-1.5.1-py2.py3-none-any.whl
Requirement already satisfied: cssselect>=0.9 in e:\python36\lib\site-packages (from scrapy) (1.0.3)
Requirement already satisfied: lxml in e:\python36\lib\site-packages (from scrapy) (4.2.4)
...
...
...
Installing collected packages: scrapy
Successfully installed scrapy-1.5.1

查看是否安装成功   scrapy

二、scrapy 初接触

1.创建scrapy项目

scrapy startproject mySpider

2.项目结构理解

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/ ：存储爬虫代码目录

3.第一个demo

step1：目标：抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。

1. 打开mySpider目录下的items.py

2. Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。

3. 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。

4. 接下来，创建一个ItcastItem 类，和构建item模型（model）。

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    level = scrapy.Field()
    info = scrapy.Field()

step2: 制作爬虫：分两步

第一步：爬数据

    1.在当前目录(mySpider/)下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：

其中，"itcast.cn"为要爬取的指定域范围；

    2.打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

自己建立Spider时,必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

• name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

• allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

• parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

  1. 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
  2. 生成需要下一页的URL请求。

     将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

 

     修改parse()方法

def parse(self, response):
    filename = "teacher.html"
    open(filename, 'wb+').write(response.body)

 

     然后运行一下看看，在mySpider目录下执行：

scrapy crawl itcast

   命令scrapy crawl itcast中的itcast是ItcastSpider 类的 name 属性，也就是使用 scrapy genspider命令的唯一爬虫名

   出现

   说明爬虫运行完成，当前文件夹中多出一个teacher.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息

  

 

第二步：取数据

   爬完网页，接下来就是从中取数据的过程了；

   观察页面源码：

  

可以看出需要取的数据是这种的

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

一目了然，使用Xpath提取数据；

• 之前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来
   

  from mySpider.items import ItcastItem

   

• 然后将我们得到的数据封装到一个 ItcastItem 对象中，可以保存每个老师的属性：

        

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老师信息的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 将我们得到的数据封装到一个 `ItcastItem` 对象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一个元素的列表
        item['name'] = name[0]
        item['level'] = level[0]
        item['info'] = info[0]

        items.append(item)

    # 直接返回最后数据
    return items

取到数据，保存；

# json格式，默认为Unicode编码
scrapy crawl itcast -o teachers.json

# json lines格式，默认为Unicode编码
scrapy crawl itcast -o teachers.jsonl

# csv 逗号表达式，可用Excel打开
scrapy crawl itcast -o teachers.csv

# xml格式
scrapy crawl itcast -o teachers.xml

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，命令如上：

保存为json后结果如下：

 

PS：下面这种代码形式，结果完全一样，但需要在piplines里处理yield出来的数据：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老师信息的集合
    #items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 将我们得到的数据封装到一个 `ItcastItem` 对象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一个元素的列表
        item['name'] = name[0]
        item['level'] = title[0]
        item['info'] = info[0]

        #items.append(item)

        #将获取的数据交给pipelines
        yield item

    # 返回数据，不经过pipeline
    #return items

 

学过python核心编程的应该知道，带有yield的函数，一般称为生成器；关于生成器，这里给个链接，文章很好，深入浅出，但需要注意python版本的差异，这是12年的文章了；