Scrapy爬虫框架基本使用
scrapyhub上有些视频简单介绍scrapy如何学习的（貌似要FQ）：https://helpdesk.scrapinghub.com/support/solutions/articles/22000201028-learn-scrapy-video-tutorials-
本博客的源码下载地址（github） :https://github.com/zhaojiedi1992/tutorial
在上一个学习系列一种， 我们简单了解了小scrapy的一些概念和基本环境的搭建，接下来就开始创建工程和爬虫吧。
1 创建工程
1.1先创建一个目录，用于我们后续的scrapy目录（e:\scrapytest)
Win+R 快捷键 输入cmd 启动一个cmd创建，进行一下输入。
C:\Users\Administrator>e: E:\>cd e:\scrapytest e:\scrapytest>scrapy startproject tutorial New Scrapy project 'tutorial', using template directory 'C:\\Program Files\\Anaconda3\\lib\\site-packages\\scrapy\\templates\\project', created in: e:\scrapytest\tutorial You can start your first spider with: cd tutorial scrapy genspider example example.com e:\scrapytest>
我们发现使用scrapy startproject tutorial 给我们创建了许多文件，文件树结构如下：
e:\scrapytest>tree /f
卷 新加卷 的文件夹 PATH 列表
卷序列号为 0000004B D20B:7155
E:.
└─tutorial
│ scrapy.cfg #开发配置文件
│
└─tutorial #工程模块
│ items.py
│ middlewares.py #定义数据条目的定义，可以理解为一行记录
│ pipelines.py #定义数据导出类，用于数据导出
│ settings.py #工程设置文件
│ __init__.py #空文件
│
├─spiders #爬虫目录，用于放置各种爬虫类文件
│ │ __init__.py #空文件
│ │
│ └─__pycache__ #这个文件不用管它
└─__pycache__ #这个文件不用管它
通过上面的一条简单的命令，我们就创建了一个工程，有了工程，没有爬虫啊，接下里我们就创建一个爬虫吧。
2 创建爬虫
我们使用scrapy genspider quotes quotes.toscrape.com去创建一个爬虫。
scrapy genspider 使用方法： scrapy genspider [options] <name> <domain>
可以使用scrapy genspider -h 获取详细帮助 或者从官方获取shell帮助https://docs.scrapy.org/en/latest/topics/commands.html
e:\scrapytest\tutorial>scrapy genspider quotes quotes.toscrape.com Created spider 'quotes' using template 'basic' in module: tutorial.spiders.quotes
注意：使用pycharm 打开tutorial项目,需要对python的环境进行设置（我机器上python环境太多了），使用File->Settings->Project:tutorial->Project Interpreter 选择我们特定的python.exe。如下图：
3 完善我们的爬虫
修改我们的爬虫文件（quotes.py）内容如下：
# -*- coding: utf-8 -*-
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["http://quotes.toscrape.com/"]
start_urls = ['http://quotes.toscrape.com/page/1/']
def parse(self, response):
filename="source.html"
with open(filename,'wb') as f:
f.write(response.body)
代码简单介绍下吧：
- name：设定了爬虫的名字
- allowed_domains ：设定允许域，不是这些域内的网址就会被放弃。
- start_urls:就是爬虫程序初始的url集合。
- parse：默认处理response流的方法，通常会返回一个item或者dict 给pipeline。
现在，工程有了，爬虫也有了。 接下里开始让我们的爬虫进行工作吧。
4 运行爬虫
运行爬虫很简单，使用scrapy crawl quotes 命令就可以里
e:\scrapytest\tutorial>scrapy crawl quotes
2017-08-25 22:50:25 [scrapy.utils.log] INFO: Scrapy 1.3.3 started (bot: tutorial)
2017-08-25 22:50:25 [scrapy.utils.log] INFO: Overridden settings: {'BOT_NAME': 'tutorial', 'NEWSPIDER_MODULE': 'tutorial.spiders', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['tutorial.spiders']}
2017-08-25 22:50:25 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.logstats.LogStats']
2017-08-25 22:50:26 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2017-08-25 22:50:26 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2017-08-25 22:50:26 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2017-08-25 22:50:26 [scrapy.core.engine] INFO: Spider opened
2017-08-25 22:50:26 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-08-25 22:50:26 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-08-25 22:50:27 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://quotes.toscrape.com/robots.txt> (referer: None)
2017-08-25 22:50:27 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
2017-08-25 22:50:28 [scrapy.core.engine] INFO: Closing spider (finished)
2017-08-25 22:50:28 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 451,
'downloader/request_count': 2,
'downloader/request_method_count/GET': 2,
'downloader/response_bytes': 2701,
'downloader/response_count': 2,
'downloader/response_status_count/200': 1,
'downloader/response_status_count/404': 1,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2017, 8, 25, 14, 50, 28, 49601),
'log_count/DEBUG': 3,
'log_count/INFO': 7,
'response_received_count': 2,
'scheduler/dequeued': 1,
'scheduler/dequeued/memory': 1,
'scheduler/enqueued': 1,
'scheduler/enqueued/memory': 1,
'start_time': datetime.datetime(2017, 8, 25, 14, 50, 26, 788397)}
2017-08-25 22:50:28 [scrapy.core.engine] INFO: Spider closed (finished)
运行爬虫后， 会提示一堆的信息，主要是完成以下几个部分工作：
- 启动爬虫引擎
- 加载设置文件
- 启用扩展
- 启用下载中间件
- 启用爬虫中间件
- 启动pipeline
- 爬虫启动，开始工作
- 爬虫结束， 引擎收集统计信息，清理工作
我们的爬虫代码是简单，就是打开一个sour.html文件，把获取的响应流（response）的页面内容写入进去。
到这这里，我们的爬虫只是获取了网址的源码，可能不是我们真正关心的，我们还需要写一写提取规则，提取网站的有用的信息（比如这个网址，我们只需要提取出作者，他的名言，他的标签），那我们就修改完善下爬虫吧。
5 完善爬虫
5.1 网址分析
我们自己用浏览器打开http://quotes.toscrape.com/page/1/ 这个网址，发现网页比较规整，核心的内容区域包含3个内容出作者，他的名言，他的标签。
5.2 使用浏览器调试功能（f12）获取元素的css样式。
5.3 在item,py 文件修改为如下的内容
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class TutorialItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
author=scrapy.Field()
text=scrapy.Field()
tags=scrapy.Field()
pass
代码简介：我们创建了3个字段，分别用于存储网址上的名言，作者和标记信息。
5.4 完善我们的爬虫
修改我们的爬虫为如下代码：
# -*- coding: utf-8 -*-
import scrapy
from ..items import TutorialItem
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["http://quotes.toscrape.com/"]
start_urls = ['http://quotes.toscrape.com/page/1/']
def parse(self, response):
for quote in response.css('div.quote'):
elem=TutorialItem()
elem["text"]=quote.css('span.text::text').extract_first()
elem["author"]=quote.css('small.author::text').extract_first()
elem["tags"]=quote.css('div.tags a.tag::text').extract()
yield elem
代码简介： 写一个for循环去遍历，每次提取一个elem，使用css选择器去定位元素。当然你也可以使用xpath去定位元素。
关于css选择器的如何使用：可以参考如下网址
w3cschool : http://www.w3school.com.cn/cssref/css_selectors.asp
官方文档：https://docs.scrapy.org/en/latest/topics/selectors.html
6 存储我们的数据
我们启动爬虫的时候，加入-o选项，可以指定输出， 它可以根据文件后缀判断出你要导出的格式。默认的导出目录是基于工程目录的，也就是说你设置-o quotes.json 会在你的工程目录下生成一个quotes.json文件。
e:\scrapytest\tutorial>scrapy crawl quotes -o quotes.json e:\scrapytest\tutorial>scrapy crawl quotes -o quotes.xml e:\scrapytest\tutorial>scrapy crawl quotes -o quotes.csv e:\scrapytest\tutorial>scrapy crawl quotes -o quotes.jl
这里我是实在命令行指定-o选项，导出的，能不能不在命令行设置就可以导出呢，当然可以了，修改我们的pipeline吧。
7 修改pipeline
pipeline从其名字就知意，管道行用于对输入的数据（item）进行清洗和持久化处理。
修改pipeline.py内容如下：
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
class TutorialPipeline(object):
def process_item(self, item, spider):
return item
import json
class JsonWriterPipeline(object):
def open_spider(self, spider):
self.file = open('items.jl', 'w')
def close_spider(self, spider):
self.file.close()
def process_item(self, item, spider):
line = json.dumps(dict(item)) + "\n"
self.file.write(line)
return item
设置好一个jsonline的pipline后，怎么让他生效呢， 需要在setting文件启用它的。
8 启用指定pipeline
打开setting.py文件
启用如下如下注释行，并稍作修改。
ITEM_PIPELINES = {
'tutorial.pipelines.JsonWriterPipeline': 300,
}
9 再次运行爬虫
这次在运行爬虫，我们发现生成了一个items.jl文件。当然了，我们这里是把items持久化到文件中去了，我们也是可以修改pipeline添加一个pipeline让item数据持久化到数据库中去。官方的一个样例：https://docs.scrapy.org/en/latest/topics/item-pipeline.html#write-items-to-mongodb
如果想生成各种格式的，处理feedback技术，可以参考我另一篇文章： http://www.cnblogs.com/zhaojiedi1992/p/zhaojiedi_python_005_scrapy.html
10 链接追踪
可以看到我们的爬虫只是爬取了page=1的内容，我要是想提取所有page的内容呢。如果你仔细分析下网页，可以看到page=1的页面最下面有个next的超链接指向下一页的。
那我们修改我们的爬虫代码为如下：
# -*- coding: utf-8 -*-
import scrapy
from ..items import TutorialItem
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["http://quotes.toscrape.com/"]
start_urls = ['http://quotes.toscrape.com/page/1/']
def parse(self, response):
for quote in response.css('div.quote'):
elem=TutorialItem()
elem["text"]=quote.css('span.text::text').extract_first()
elem["author"]=quote.css('small.author::text').extract_first()
elem["tags"]=quote.css('div.tags a.tag::text').extract()
yield elem
next_page = response.css('li.next a::attr(href)').extract_first()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse,dont_filter=True)
代码简介：
next_page是我们从页面提取的下一页的网址，然后urljoin去拼接完整url,然后使用request去请求下一页，还是使用parse去解析响应流，当然我们可以在写一个parse的。
11 在次运行爬虫
我们可以发现page1,page2的页面的数据都提取出来，如下图
12 给爬虫添加参数
我们想运行爬虫的时候，想给他指定一个参数，比如传递一个page号，让他动态去设置一个startul 可以吗？
修改quotes.py文件为如下内容：
# -*- coding: utf-8 -*-
import scrapy
from ..items import TutorialItem
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["http://quotes.toscrape.com/"]
#start_urls = ['http://quotes.toscrape.com/page/1/']
def __init__(self, page=None, *args, **kwargs):
super(QuotesSpider, self).__init__(*args, **kwargs)
if isinstance(page, str):
self.start_urls = [
'http://quotes.toscrape.com/page/%s/' % page]
self.page = page
def parse(self, response):
for quote in response.css('div.quote'):
elem=TutorialItem()
elem["text"]=quote.css('span.text::text').extract_first()
elem["author"]=quote.css('small.author::text').extract_first()
elem["tags"]=quote.css('div.tags a.tag::text').extract()
yield elem
next_page = response.css('li.next a::attr(href)').extract_first()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse ,dont_filter=True)
代码简介： 添加一个init方法，完成了page参数的赋值接受，设置了startu_urls。这样就可以接受参数动态的生成start_urls了。
13 运行爬虫
e:\scrapytest\tutorial>scrapy crawl quotes -a page=1
注： page=1,1就是参数，如果有空格使用双引号引起来。
通过本文的学习，你应该了解了。 scrapy框架的大概流程了吧，items,pipeline,spider.py,settings 这些文件是如何协同工作的。
14 相关的参考
css学习： http://www.w3school.com.cn/cssref/css_selectors.asp,https://www.w3.org/TR/selectors
xpath学习： http://www.w3school.com.cn/xpath/xpath_functions.asp , https://www.w3.org/TR/xpath
浏览器调试： https://docs.scrapy.org/en/latest/topics/firefox.html
浏览器插件推荐： chrom下cssfinder,xpathfinder ,selectorGadget , firefox下xpathfinder。 强烈推荐selectorGadget。
注意： 有时候设置css或者xpath表达式的时候建议在scrapy shell环境中先测试。
