Scrapy是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。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

image

目录

安装 测试新建工程创建spider文件（以豆瓣电影为例）架构(绿线是数据流向)运作流程（个人理解）制作步骤在item中指明爬取字段编写spider/movie.py数据存至数据库其他最后

安装

pip安装，可能会报错：

pip install Scrapy

anaconda安装，推荐：

conda install -c conda-forge scrapy

测试

scrapy

image

新建工程

scrapy startproject <工程名>

如

scrapy startproject douban

image

创建的目录结构

image.gif

• **scrapy.cfg: **项目配置文件

• **douban/: **项目python模块, 代码将从这里导入

• **douban/items.py: **项目items文件，存要爬取的字段信息，可以插入数据库、写入txt等

• **douban/pipelines.py: **项目管道文件，将爬取的数据进行持久化存储

• **douban/settings.py: **项目配置文件，可以配置数据库等

• **douban/spiders/: **放置spider的目录，也就是你要写逻辑代码的地方

• douban/middlewares：中间件，请求和响应都将经过他，可以配置请求头、代理、cookie、会话维持等

创建spider文件（以豆瓣电影为例）

scrapy genspider <项目名> <爬取域>

如

cd douban

image

将在spiders文件夹下自动创建movie.py，并自动生成内容：

image

可以看出，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 = "" ：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。

架构(绿线是数据流向)

image.gif

• 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）

运作流程（个人理解）

• 用户编写spider并运行

• 将第一个URL传给引擎

• 引擎将URL对应的request传给调度器

• 调度器将request排序入队

• 调度器将处理好的request返回到引擎

• 引擎将request按照下载中间件的设置传给下载器

• 下载器执行request并获得response（如果下载失败，然后引擎告诉调度器，这个request下载失败了，你记录一下，待会儿再下载）

• 下载器将response返回到引擎

• 引擎将request返回到spider用户这（默认交到def parse()这个函数处理）

• spider处理完数据后，将需要跟进的URL和要保存的item传给引擎

• 引擎将item传给管道进行处理保存，并将URL进入下一轮循环

• 只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）

制作步骤

1. 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目

2. 明确目标 （编写items.py）：明确你想要抓取的目标

3. 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

4. 存储内容 （pipelines.py）：设计管道存储爬取内容

在item中指明爬取字段

如“名称”、“评分”、“简介”

image.gif

• Item 定义结构化数据字段，用来保存爬取到的数据，有点像 Python 中的 dict，但是提供了一些额外的保护减少错误。

• 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field 的类属性来定义一个 Item（可以理解成类似于 ORM 的映射关系）。

在item.py中修改为：

class DoubanItem(scrapy.Item):

image

编写spider/movie.py

1、选择目标的xpath（也可以css等其他选择器）

image

2、提取出公共部分

image.gif

3、由于豆瓣有反爬验证，因此需要加上header

def start_requests(self):

image

通过start_requests函数，对于运行后第一次访问请求，就加上了请求头。因此，start_urls其实也可以不加。

4、为了方便调试，新建spider/main.py，并写入

from scrapy.cmdline import execute

5、测试一下效果

class MovieSpider(scrapy.Spider):

运行main.py

image

要提取中间的文字，则在xpath后面再添加“/text()”

6、类似地，完善parse()函数

from ..items import DoubanItem

def parse(self, response):

7、运行main.py后，在spider/item.json里将看到爬取的数据，以Unicode字符形式。

image

8、还可以保存为其他形式，如csv、xml，只需将item.json改为item.csv等。

数据存至数据库

1、建库建表

mysql -uroot -p 

image

2、在setting.py中配置数据库连接

mysql_movie = {

3、在setting.py中将以下内容取消注释

image.gif

4、在pipelines.py中连接数据库存储数据

pip install pymysql

# -*- coding: utf-8 -*-

5、运行main.py后，查询数据库

select * from movie;

image.gif

其他

为了做一个乖爬虫，且避免面向监狱编程，建议在setting.py至少开启以下两项：

image

最后

相信你跟我一样，过完本文，对scrapy已经有了一个大致的了解。