爬虫综合案例-使用Scrapy爬虫框架

Scrapy是一个使用Python开发的，为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在数据挖掘、信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

一. Scrapy框架简介

Scrapy使用Twisted异步网络库来处理网络通讯。整体架构大致如下：

Scrapy主要包括了以下组件：

1.1 引擎(Scrapy)

用来处理整个系统的数据流, 触发事务(框架核心)

1.2 调度器(Scheduler)

用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

1.3 下载器(Downloader)

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

1.4 爬虫(Spiders)

爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

1.5 项目管道(Pipeline)

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

1.6 下载器中间件(Downloader Middlewares)

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

1.7 爬虫中间件(Spider Middlewares)

介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

1.8 调度中间件(Scheduler Middewares)

介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

二. 安装Scrapy框架

如果直接pip install scrapy可能会出错。因此，需要按下面步骤安装各种模块，建议下载wheel文件进行安装。

1. 安装lxml：pip install lxml(已安装请忽略)。

2. 安装pyOpenSSL：在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件进行安装。

3. 安装Twisted：在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件。

4. 安装PyWin32：在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件。

5. 安装scrapy，在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件。

三. 创建第一个scrapy项目

目标是爬取美剧天堂前100最新信息，爬取网址http://www.meijutt.com/new100.html。具体操作步骤如下：

3.1 第1步，创建工程

新建文件夹，用于存放项目。然后在命令行窗口中使用cd命令切换到当前目录，再输入下面命令创建Scrapy项目，操作如下图。

scrapy startproject movie # movie表示工程名，框架会自动在当前目录下创建一个同名的文件夹，工程文件就在里边。
# 如果用过django，就会发现操作比较相似。

3.2 第2步，创建爬虫程序

使用cd命令切换到movie目录，再输入下面命令创建Scrapy程序，操作如下图。

 
cd movie
scrapy genspider meiju meijutt.com  # meiju是爬虫的名字；meijutt.com是要爬取的url的域名

3.3 第3步，自动创建目录及文件

完成前面2步操作，Scrapy会自动在指定文件夹中创建一个项目，并初始化爬虫程序文件的模板，如下图所示。

文件说明：

• scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。真正爬虫相关的配置信息在settings.py文件中。
• items.py 设置数据存储模板，用于结构化数据，类似Django的Model。
• pipelines 数据处理行为，如一般结构化的数据持久化。
• settings.py 配置文件，如递归的层数、并发数，延迟下载等。
• spiders 爬虫目录，如创建文件，编写爬虫规则等。
  注意，一般创建爬虫文件时，以网站域名命名。

3.4 第4步，设置数据存储模板

打开items.py文件，然后输入下面代码，设置数据存储的模板。。本例仅存储项目的名称name字段。操作如下图：

import scrapy

class MovieItem(scrapy.Item):
    name = scrapy.Field()

3.5 第5步，编写爬虫程序

在spiders子目录中打开meiju.py文件，然后输入下面代码，设置下载器开始下载的页面URL。以及爬虫要爬取的HTML结构片段。最后，使用for循环和迭代器，把每一个项目结构片段传递给items.py定义的字段模板。

完成本步操作之前，读者应该先熟悉目标页面的结构，以及要抓取的HTML片段，同时熟悉XPath基本语法，可以先使用浏览器访问该页面，使用F12键，查看一下HTML结构，如下图：

import scrapy
from movie.items import MovieItem

class MeijuSpider(scrapy.Spider):
    name = "meiju"
    allowed_domains = ["meijutt.com"]
    start_urls = ['http://www.meijutt.com/new100.html']

    def parse(self, response):
        movies = response.xpath('//ul[@class="top-list  fn-clear"]/li')
        for each_movie in movies:
            item = MovieItem()
            item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]
            yield item

3.6 第6步，设置配置文件

打开settings.py文件，然后添加下面代码。操作如下图：

ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}

3.7 第7步，编写数据处理脚本

打开pipelines.py文件，输入下面代码。操作如下图：

            
class MoviePipeline(object):
    def process_item(self, item, spider):
        with open("my_meiju.txt",'a') as fp:
            fp.write(item['name'] + '\n') 

3.8 第8步，执行爬虫

到上面一步，已经完成了爬虫程序的全部设计，下面就可以测试爬虫的工作状态了，在命令行窗口，使用cd命令进入mobie目录，然后使用scrapy crawl命令进行测试。操作如下图：

cd movie
scrapy crawl meiju --nolog　 # meiju表示程序名称，参数nolog表示不显示执行的log过程，也就是在命令行中不显示执行过程日志信息

执行结果如下图：