创建scrapy项目

模块名	职责	是否需要实现
Scrapy Engine（引擎）	总指挥： 负债数据和信号在不同的模块之间传递	scrapy 已经实现
Scheduler（调度器）	一个队列，存放引擎发过来的request请求	scrapy 已经实现
Downloader（下载器）	下载引擎发送过来的request请求，并返回给引擎(response)	scrapy 已经实现
Spiders（爬虫）	处理引擎发送过来的response，提取数据和url，并交给引擎	需要手写
Item Pipeline（管道）	处理引擎传送过来的数据(Item)，比如存储到数据库	需要手写
Downloader Middlewares（下载中间件）	可以自定义的下载扩展，比如设置代理	一般不用手写
Spider Middlewares（中间件）	可以自定义request和response的过滤	一般不用手写

Scrapy 入门

1. 创建一个新的爬虫项目

   scrapy startproject myspider
   

2. 进入爬虫项目文件夹，生成一个新的爬虫文件

   scrapy genspider spider_name limited_url
   

3. 提取数据

   • 完成spider中parse方法， 使用 xpath，正则等方法提取数据，并yield 一个item 到pipeline中

   • 这里需要开启pipeline，myspider/setting.py 中启用 ITEM_PIPELINES，这里的pipeline可以定义多个

     # See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
     ITEM_PIPELINES = {
        #  K（启动pipeline的位置）：V（优先级，越小优先级越高）
        'myspider.pipelines.MyspiderPipeline': 300,
        # 'myspider.pipelines.MyspiderPipelineA': 400,
     }
     

4. 保存数据

   # 以 mongodb 为例
   from pymongo import MongoClient
   
   client = MongoClient()
   collection = client["db"]["collection"]
   
   class MyspiderPipeline:
       def process_item(self, item, spider):
           collection.insert(item)
           return item