scrapy的使用

• scrapy的安裝使用
• scrapy架構
• 爬蟲概念流程
• scrapy項目開發流程
• scrapy常用設置

• scrapy的安裝使用
  scrapy的基本使用資料網站：https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/shell.html
  • 本文使用環境配置：win7+pycharm+python3.7
  • 在安裝scrapy過程中遇到了比較多的坑，scrapy基于twisted開發，直接安裝scrapy無法安裝，提示pip版本問題以及各種error，pip install --upgrade pip升級，安裝zope.interface-->pyOpenSSL-->Twisted-->scrapy由于源是國外的站點，可能訪問失敗，下載過程也比較慢，推薦直接訪問官方網站直接把.whl包直接下載下來，通過terminal安裝更便捷。運行過程還需要win32api,直接安裝pypiwin32
  • 使用命令

1.在終端輸入scrapy命令可以查看可用命令
    Usage:
  scrapy <command> [options] [args]
  Available commands:
  bench         Run quick benchmark test
  fetch         Fetch a URL using the Scrapy downloader
  genspider     Generate new spider using pre-defined templates
  runspider     Run a self-contained spider (without creating a project)
  settings      Get settings values
  shell         Interactive scraping console
  startproject  Create new project
  version       Print Scrapy version
  view          Open URL in browser, as seen by Scrapy

• scrapy架構

  • 架構圖
    
    各組件功能：
    ?Scrapy Engine(引擎):負責SpiderDownloader、Schedule、ItemPipeline之間通信、信號、數據傳遞等。
    ?Scgeduler:負責接收引擎發送過來的Request請求，并按照一定的方法進行整理排列，入隊，當引擎需要時交還給引擎。
    ?Downloader負責下載引擎發送過來的所有請求，并將其獲取到的Response交還給Scrapy引擎，有引擎交還給Spider處理。
    ?Spider：負責處理所有Response，從中分析提取數據，獲取Item字段需要的數據，并將需要跟進的URL提交給引擎，再次進入schedule。
    ?ItemPipeline：負責處理Spider中獲取到的Item,并進行后期處理（詳細分析、過濾、存儲等）
    ?DownloaderMiddlewares：當作是一個可以自定義擴展下載功能的組件
    ?SpiderMiddlewares：自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）

• 爬蟲概念流程
  概念：亦可以稱為網絡蜘蛛或網絡機器人，是一個模擬瀏覽器請求網站行為的程序，可以自動請求網頁，把數據抓取下來，然后使用一定規則提取有價值的數據。
  基本流程:
  ?發起請求-->獲取響應內容-->解析內容-->保存處理

• scrapy項目開發流程
  1.建立項目scrapy startproject xxx
  2.編寫item.py：明確想要抓取的信息
  3.直至爬蟲（spider.py）
  4.存儲內容（pipeline.py）
  • 爬取豆瓣電影信息：
    1.創建項目后>scrapy startproject tuorial，會創建一個目錄并生產相關配置文件。
    
    2.分析需求，查看網站網頁信息，編寫item.py文件用于保存爬取到的數據容器，其方法與字典類似，定義類型為 scrapy.Field 的類屬性來定義一個 Item。
    

    import scrapy
    class DoubanItem(scrapy.Item):
    #序號
    serial_number=scrapy.Field()
    #名稱
    movie_name=scrapy.Field()
    #介紹
    introduce=scrapy.Field()
    #星級
    star=scrapy.Field()
    #評論
    evalute=scrapy.Field()
    #描述
    desc=scrapy.Field()

    3.編寫Spider文件，爬蟲主要是該文件實現
    ?進到根目錄，執行命令：scrapy genspider spider_name "domains" : spider_name為爬蟲名稱唯一,"domains",指定爬取域范圍，即可創建spider文件，當然這個文件可以自己手動創建。
    ?進程scrapy.Spider類，里面的方法可以覆蓋。

    import scrapy
    from ..items import DoubanItem
    class DoubanSpider(scrapy.Spider):
    name='douban_mv'
    allowed_domains=['movie.douban.com']
    start_urls=['https://movie.douban.com/top250']
    def parse(self, response):        
    movie_list=response.xpath("http://div[@class='article']//ol[@class='grid_view']//li//div[@class='item']")     
    for movie in movie_list:
        items=DoubanItem()
        items['serial_number']=movie.xpath('.//div[@class="pic"]/em/text()').extract_first()
        items['movie_name']=movie.xpath('.//div[@class="hd"]/a/span/text()').extract_first()
        introduce=movie.xpath('.//div[@class="bd"]/p/text()').extract()
        items['introduce']=";".join(introduce).replace(' ','').replace('\n','').strip(';')
        items['star']=movie.xpath('.//div[@class="star"]/span[@class="rating_num"]/text()').extract_first()
        items['evalute']=movie.xpath('.//div[@class="star"]/span[4]/text()').extract_first()
        items['desc']=movie.xpath('.//p[@class="quote"]/span[@class="inq"]/text()').extract_first()
        yield items
    "next-page"實現翻頁操作
    link=response.xpath('//span[@class="next"]/link/@href').extract_first()
    if link:
         yield response.follow(link,callback=self.parse)       

    4.編寫pipelines.py文件
    ?清理html數據、驗證爬蟲數據，去重并丟棄，文件保存csv,json,db.，每個item pipeline組件生效需要在setting中開啟才生效，且要調用process_item(self,item,spider)方法。
    ?open_spider(self,spider) :當spider被開啟時，這個方法被調用
    ?close_spider(self, spider) :當spider被關閉時，這個方法被調用

    # -*- coding: utf-8 -*-
    # Define your item pipelines here
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
    import json
    import csv
    class TutorialPipeline(object):
    def open_spider(self,spider):
    pass
    def __init__(self):
    self.file=open('item.json','w',encoding='utf-8')
    def process_item(self, item, spider):
    line=json.dumps(dict(item),ensure_ascii=False)+"\n"
    self.file.write(line)
    return item
    class DoubanPipeline(object):
    def open_spider(self,spider):
    self.csv_file=open('movies.csv','w',encoding='utf8',newline='')
    self.writer=csv.writer(self.csv_file)
    self.writer.writerow(["serial_number","movie_name","introduce","star","evalute","desc"])
    def process_item(self,item,spider):
    self.writer.writerow([v for v in item.values()])
    def close_spider(self,spider):
    self.csv_file.close()

    5.開始運行爬蟲
    ?scrapy crawl "spider_name" 即可爬取在terminal中顯示信息，注spider_name為spider文件中name名稱。
    ?在命令行也可以直接輸出文件并保存，步驟4可以不開啟：

    scrapy crawl demoz -o items.json
    scrapy crawl itcast -o teachers.csv
    scrapy crawl itcast -o teachers.xml

• scrapy常用設置
  修改配置文件：setting.py
  每個pipeline后面有一個數值，這個數組的范圍是0-1000，這個數值確定了他們的運行順序，數字越小越優先
  DEPTH_LIMIT :爬取網站最大允許的深度(depth)值。如果為0，則沒有限制
  FEED_EXPORT_ENCODING = 'utf-8' 設置編碼
  DOWNLOAD_DELAY=1：防止過于頻繁，誤認為爬蟲
  USAGE_AGENT:設置代理
  LOG_LEVEL = 'INFO'：設置日志級別，資源
  COOKIES_ENABLED = False：禁止cookie
  CONCURRENT_REQUESTS = 32：并發數量
  設置請求頭：DEFAULT_REQUEST_HEADERS={...}

• xpath用法