Python 爬虫实战：Scrapy 框架详解与应用

🛠️ Scrapy 框架基本使用

Scrapy 是一个强大的 Python 爬虫框架，提供了用于提取和处理网页数据的功能。以下是 Scrapy 的基本使用步骤：

1. 安装 Scrapy

pip install scrapy

2. 创建 Scrapy 项目

scrapy startproject myproject

这将生成一个基础的 Scrapy 项目结构，包括 settings.py、spiders、items.py 等文件夹和文件。

---

🏗️ Scrapy 框架结构识别

Scrapy 项目通常包含以下几个重要组件：

• spiders: 存放爬虫代码的文件夹，每个爬虫文件定义了如何抓取特定网站的数据。
• items.py: 用于定义要抓取的数据结构。
• pipelines.py: 处理抓取到的数据，比如清洗、存储等。
• settings.py: Scrapy 的配置文件，用于设置框架的各种参数。
• middlewares.py: 用于定义 Scrapy 中间件，处理请求和响应。

---

📁 多种形式项目创建

除了使用 scrapy startproject 命令创建项目外，你还可以使用命令创建爬虫：

scrapy genspider myspider example.com

这将生成一个名为 myspider 的爬虫文件，负责抓取 example.com 网站的数据。

---

🔄 Scrapy Fetch 模式

Scrapy 提供了多种数据抓取方式，包括：

• Fetch Requests: 直接抓取请求，使用 Scrapy shell 进行快速测试。

scrapy shell "http://example.com"

• Scrapy Crawl: 使用已定义的爬虫抓取数据。

scrapy crawl myspider

---

📜 Scrapy 常用指令集合

以下是一些常用的 Scrapy 命令：

• 创建项目: scrapy startproject projectname
• 生成爬虫: scrapy genspider spidername domain.com
• 启动爬虫: scrapy crawl spidername
• 运行爬虫并保存数据: scrapy crawl spidername -o output.json
• 调试: scrapy shell "http://example.com"

---

🛠️ Scrapy 配置文件解读

settings.py 是 Scrapy 的核心配置文件，包含了框架的各种设置，比如：

• USER_AGENT: 设置爬虫的用户代理。

USER_AGENT = 'myproject (+http://www.myproject.com)'

• DOWNLOAD_DELAY: 设置下载延迟。

DOWNLOAD_DELAY = 2

• ITEM_PIPELINES: 启用或禁用管道。

ITEM_PIPELINES = {
    'myproject.pipelines.MyPipeline': 1,
}

---

🧩 Scrapy 管道学习

管道（Pipelines）是 Scrapy 处理抓取数据的重要组成部分。以下是一个简单的管道示例，它将数据保存到 JSON 文件中：

pipelines.py:

import json

class JsonWriterPipeline:
    def __init__(self):
        self.file = open('items.json', 'w')
        self.exporter = json.JSONEncoder()
    
    def process_item(self, item, spider):
        line = self.exporter.encode(item) + "\n"
        self.file.write(line)
        return item
    
    def close_spider(self, spider):
        self.file.close()

在 settings.py 中启用管道：

ITEM_PIPELINES = {
    'myproject.pipelines.JsonWriterPipeline': 1,
}

---

📝 Scrapy 表单处理

Scrapy 支持处理表单提交，例如登录操作。以下是一个示例，展示如何使用 Scrapy 提交表单：

import scrapy

class FormSpider(scrapy.Spider):
    name = 'form_spider'
    start_urls = ['http://example.com/login']
    
    def parse(self, response):
        yield scrapy.FormRequest.from_response(
            response,
            formdata={'username': 'user', 'password': 'pass'},
            callback=self.after_login
        )
    
    def after_login(self, response):
        # 检查登录是否成功
        if "Welcome" in response.text:
            self.logger.info("Login successful!")
        else:
            self.logger.info("Login failed.")

---

🧩 Scrapy 功能学习

🧩 Selector 数据处理

Scrapy 使用 Selector 来提取数据。常用选择器包括：

• XPath 选择器:

response.xpath('//title/text()').get()

• CSS 选择器:

response.css('title::text').get()

• 正则表达式选择器:

import re
response.text.find(r'\bExample\b')

🗃️ Scrapy 对接 MySQL

将数据存储到 MySQL 数据库的示例：

pipelines.py:

import mysql.connector

class MySQLPipeline:
    def open_spider(self, spider):
        self.conn = mysql.connector.connect(
            host='localhost',
            user='root',
            password='password',
            database='scrapy_db'
        )
        self.cursor = self.conn.cursor()
    
    def process_item(self, item, spider):
        self.cursor.execute(
            "INSERT INTO my_table (field1, field2) VALUES (%s, %s)",
            (item['field1'], item['field2'])
        )
        self.conn.commit()
        return item
    
    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()

在 settings.py 中启用管道：

ITEM_PIPELINES = {
    'myproject.pipelines.MySQLPipeline': 1,
}

🗄️ Scrapy 对接 MongoDB

将数据存储到 MongoDB 的示例：

pipelines.py:

import pymongo

class MongoDBPipeline:
    def open_spider(self, spider):
        self.client = pymongo.MongoClient('localhost', 27017)
        self.db = self.client['scrapy_db']
        self.collection = self.db['my_collection']
    
    def process_item(self, item, spider):
        self.collection.insert_one(dict(item))
        return item
    
    def close_spider(self, spider):
        self.client.close()

在 settings.py 中启用管道：

ITEM_PIPELINES = {
    'myproject.pipelines.MongoDBPipeline': 1,
}

📂 Scrapy 文件存储

将数据存储为文件（如 CSV、JSON）的示例：

import csv

class CsvWriterPipeline:
    def __init__(self):
        self.file = open('items.csv', 'w', newline='', encoding='utf-8')
        self.writer = csv.writer(self.file)
        self.writer.writerow(['field1', 'field2'])
    
    def process_item(self, item, spider):
        self.writer.writerow([item['field1'], item['field2']])
        return item
    
    def close_spider(self, spider):
        self.file.close()

在 settings.py 中启用管道：

ITEM_PIPELINES = {
    'myproject.pipelines.CsvWriterPipeline': 1,
}

---

以上内容展示了如何使用 Scrapy 框架进行数据抓取、处理和存储，希望对你进行 Python 爬虫开发有所帮助。🎯