Scrapy框架的入门使用

1 安装scrapy

命令:
    sudo apt-get install scrapy
或者：
    pip/pip3 install scrapy

2 scrapy项目开发流程

1. 创建项目:
       scrapy startproject mySpider
2. 生成一个爬虫:
       scrapy genspider itcast itcast.cn
3. 提取数据:
       根据网站结构在spider中实现数据采集相关内容
4. 保存数据:
       使用pipeline进行数据后续处理和保存

3. 创建项目

        通过命令将scrapy项目的的文件生成出来，后续步骤都是在项目文件中进行相关操作，下面以抓取传智师资库来学习scrapy的入门使用：传智教育课程培训教研团队

创建scrapy项目的命令：
    scrapy startproject <项目名字>
示例：
    scrapy startproject myspider

生成的目录和文件结果如下：

4. 创建爬虫

        通过命令创建出爬虫文件，爬虫文件为主要的代码作业文件，通常一个网站的爬取动作都会在爬虫文件中进行编写。

命令：
    在项目路径下执行:
    scrapy genspider <爬虫名字> <允许爬取的域名>

爬虫名字: 作为爬虫运行时的参数
允许爬取的域名: 为对于爬虫设置的爬取范围，设置之后用于过滤要爬取的url，如果爬取的url与允许的域不通则被过滤掉。

示例：

    cd myspider
    scrapy genspider itcast itcast.cn

生成的目录和文件结果如下：

5. 完善爬虫

        在上一步生成出来的爬虫文件中编写指定网站的数据采集操作，实现数据提取

5.1 在/myspider/myspider/spiders/itcast.py中修改内容如下:

import scrapy


class ItcastSpider(scrapy.Spider):
    name = 'itcast'
    #  2.检查域名
    allowed_domains = ['itcast.cn']
    # start_urls = ['http://itcast.cn/']
    #  1.修改起始url
    start_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']

    #  3.在parse方法中实现爬取逻辑
    #  response是上面的url响应的结果
    def parse(self, response):
        # with open('itcast1.html', 'wb') as f:
#         #     f.write(response.body)
        #  获取所有老师的节点
        node_list = response.xpath('//div[@class="li_txt"]')
        print(len(node_list))

        #  遍历教师节点
        for node in node_list:
            temp = {}

            #  xpath方法返回的是选择器对象列表，extract()用于从选择器对象中提取数据
            temp['name'] = node.xpath('./h3/text()').extract_first()
            temp['title'] = node.xpath('./h4/text()')[0].extract()
            temp['desc'] = node.xpath('./p/text()')[0].extract()

            #  xpath结果为只含有一个值的列表，可以使用extract_first(),如果为多个值则使用extract()
            print(temp)
            yield temp

运行结果：

注意：

• scrapy.Spider爬虫类中必须有名为parse的解析
• 如果网站结构层次比较复杂，也可以自定义其他解析函数
• 在解析函数中提取的url地址如果要发送请求，则必须属于allowed_domains范围内，但是start_urls中的url地址不受这个限制，在后续学习如何在解析函数中构造发送请求
• 启动爬虫的时候注意启动的位置，是在项目路径下启动
• parse()函数中使用yield返回数据，注意：解析函数中的yield能够传递的对象只能是：BaseItem, Request, dict, None

5.2 定位元素以及提取数据、属性值的方法

        解析并获取scrapy爬虫中的数据: 利用xpath规则字符串进行定位和提取

1. response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
2. 额外方法extract()：返回一个包含有字符串的列表
3. 额外方法extract_first()：返回列表中的第一个字符串，列表为空没有返回None

5.3 response响应对象的常用属性

• response.url：当前响应的url地址
• response.request.url：当前响应对应的请求的url地址
• response.headers：响应头
• response.requests.headers：当前响应的请求头
• response.body：响应体，也就是html代码，byte类型
• response.status：响应状态码

示例代码：

运行结果：

6 保存数据（scrapy管道的基本使用）

        利用管道pipeline来处理(保存)数据

6.1 在pipelines.py文件中定义对数据的操作

1. 定义一个管道类
2. 重写管道类的process_item方法
3. process_item方法处理完item之后必须返回给引擎

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
import json


class MyspiderPipeline:
    # 爬虫文件中提取数据的方法每yield一次item，就会运行一次

    def __init__(self):
        self.file = open('itcast.json', 'w')   #  文件单独的初始化，不能直接写在函数内，否者每次循环一次都要新建一次

    # 该方法为固定名称函数
    def process_item(self, item, spider):
        # print('itcast:', item)
        #  将字典数据序列化
        json_data = json.dumps(item, ensure_ascii=False) + ",\n"

        #  将数据写入文件
        self.file.write(json_data)

        #  默认使用完管道之后需要将数据返回给引擎
        return item

    def __del__(self):
        self.file.close()

6.2 在settings.py配置启用管道

ITEM_PIPELINES = {
    'myspider.pipelines.ItcastPipeline': 400，
    'myspider.pipelines.ItcastPipeline1': 401     #  如果有两个管道的话，谁后面的数值小就先执行谁
}

        配置项中键为使用的管道类，管道类使用.进行分割，第一个为项目目录，第二个为文件，第三个为定义的管道类。
        配置项中值为管道的使用顺序，设置的数值越小越优先执行，该值一般设置为1000以内。

7. 运行scrapy

命令：在项目目录下执行scrapy crawl <爬虫名字>

示例：scrapy crawl itcast

运行结果：

上述json文件中报红，是因为生成的json文件的格式不正确，