[TOC]

1. Scrapy介绍

1.1. Scrapy框架

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。

Scrapy框架

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

1.2. Scrapy运行流程

引擎：Hi！Spider, 你要处理哪一个网站？
Spider：老大要我处理xxxx.com。
引擎：你把第一个需要处理的URL给我吧。
Spider：给你，第一个URL是xxxxxxx.com。
引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的request请求给我。
调度器：给你，这是我处理好的request
引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
引擎：Hi ！管道我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
管道``调度器：好的，现在就做！

1.3. 制作Srapy爬虫的四部曲

新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
明确目标（编写items.py）：明确你想要抓取的目标
制作爬虫（spiders/xxspider.py）：制作爬虫开始爬取网页
存储内容（pipelines.py）：设计管道存储爬取内容

1.4. 文件目录

插入scrapy01.png

scrapy.cfg ：项目的配置文件

[settings] default = mySpider.settings

[deploy] #url = http://localhost:6800/ project = mySpider
mySpider/ ：项目的Python模块，将会从这里引用代码
__init__: 必须的文件
mySpider/items.py ：项目的目标文件

import scrapy

class MyspiderItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() # age = scrapy.Field() pass
mySpider/Middlewares.py ：
mySpider/pipelines.py ：项目的管道文件

class MyspiderPipeline(object): def process_item(self, item, spider): return item
mySpider/settings.py ：项目的设置文件

你的爬虫名字

BOT_NAME = 'mySpider'

你的爬虫的位置

SPIDER_MODULES = ['mySpider.spiders'] NEWSPIDER_MODULE = 'mySpider.spiders'

是否遵循robust协议

ROBOTSTXT_OBEY = True

爬虫并发量

#CONCURRENT_REQUESTS = 32

下载延迟

#DOWNLOAD_DELAY = 3

下载延迟的额外设置：一般不用设置

#CONCURRENT_REQUESTS_PER_DOMAIN = 16 #CONCURRENT_REQUESTS_PER_IP = 16

是否使用cookie

#COOKIES_ENABLED = False

访问电话线设置

#TELNETCONSOLE_ENABLED = False

设置默认请求报头

#DEFAULT_REQUEST_HEADERS = {

'User-Agent': ''

'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,/;q=0.8',

'Accept-Language': 'en',

#}

爬虫中间键：一般不设置

#SPIDER_MIDDLEWARES = {

'mySpider.middlewares.MyspiderSpiderMiddleware': 543,

#}

下载中间键：后面的值是优先级，越小越高

#DOWNLOADER_MIDDLEWARES = {

'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,

#}

延展，没什么用

#EXTENSIONS = {

'scrapy.extensions.telnet.TelnetConsole': None,

#}

管道文件---经常使用的，用于指定优先级

#ITEM_PIPELINES = {

'mySpider.pipelines.MyspiderPipeline': 300,

#}

2. Scrapy全部流程

我们打算抓取：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。

创建项目
编写items.py文件：设置需要保存的数据字段
创建爬虫模板
- 在spiders/文件夹下面运行scrapy genspider spidername "startURL"
进入xxx/spiders：编写爬虫文件，文件里的name就是爬虫名
写管道文件
- 设置文件保存的形式和写入文件
- 在setting中设置优先级(默认自动设置)
- 添加User-Agent到setting中
运行：
-scrapy crawl itcast
- scrapy crawl itcast -o json/csv/xml/
数据处理
- 数据：交给管道文件处理 yield item
- 请求：重新发送给调度器入、出队列，交给下载器下载 yield scrapy.Request(url, callback = self.parse)

3. 写爬虫主要文件

要建立一个Spider，你必须用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：
- 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
- 生成需要下一页的URL请求。