爬虫25-scrapy框架详解

# 2-快速入门

## 安装和文档：

1. 安装：通过`pip install scrapy`即可安装。
2. Scrapy官方文档：http://doc.scrapy.org/en/latest
3. Scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

> 注意：
>
> 1. 在`ubuntu`上安装`scrapy`之前，需要先安装以下依赖：
>    `sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev`，然后再通过`pip install scrapy`安装。
> 2. 如果在`windows`系统下，提示这个错误`ModuleNotFoundError: No module named 'win32api'`，那么使用以下命令可以解决：`pip install pypiwin32`。

## 快速入门：

### 创建项目：

要使用`Scrapy`框架创建项目，需要通过命令来创建。首先进入到你想把这个项目存放的目录。然后使用以下命令创建：

```shell
scrapy startproject [项目名称]
```

### 目录结构介绍：

![img](../assets/QQ截图20171212213138.png)
以下介绍下主要文件的作用：

1. items.py：用来存放爬虫爬取下来数据的模型。
2. middlewares.py：用来存放各种中间件的文件。
3. pipelines.py：用来将`items`的模型存储到本地磁盘中。
4. settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
5. scrapy.cfg：项目的配置文件。
6. spiders包：以后所有的爬虫，都是存放到这个里面。

### 使用Scrapy框架爬取糗事百科段子：

#### 使用命令创建一个爬虫：

```shell
scrapy gensipder qsbk "qiushibaike.com"
```

创建了一个名字叫做`qsbk`的爬虫，并且能爬取的网页只会限制在`qiushibaike.com`这个域名下。

#### 爬虫代码解析：

```python
import scrapy

class QsbkSpider(scrapy.Spider):
    name = 'qsbk'
    allowed_domains = ['qiushibaike.com']
    start_urls = ['http://qiushibaike.com/']

    def parse(self, response):
        pass
```

其实这些代码我们完全可以自己手动去写，而不用命令。只不过是不用命令，自己写这些代码比较麻烦。
要创建一个Spider，那么必须自定义一个类，继承自`scrapy.Spider`，然后在这个类中定义三个属性和一个方法。

1. name：这个爬虫的名字，名字必须是唯一的。
2. allow_domains：允许的域名。爬虫只会爬取这个域名下的网页，其他不是这个域名下的网页会被自动忽略。
3. start_urls：爬虫从这个变量中的url开始。
4. parse：引擎会把下载器下载回来的数据扔给爬虫解析，爬虫再把数据传给这个`parse`方法。这个是个固定的写法。这个方法的作用有两个，第一个是提取想要的数据。第二个是生成下一个请求的url。

#### 修改`settings.py`代码：

在做一个爬虫之前，一定要记得修改`setttings.py`中的设置。两个地方是强烈建议设置的。

1. `ROBOTSTXT_OBEY`设置为False。默认是True。即遵守机器协议，那么在爬虫的时候，scrapy首先去找robots.txt文件，如果没有找到。则直接停止爬取。
2. `DEFAULT_REQUEST_HEADERS`添加`User-Agent`。这个也是告诉服务器，我这个请求是一个正常的请求，不是一个爬虫。

#### 完成的爬虫代码：

1. 爬虫部分代码：

   ```python
    import scrapy
    from abcspider.items import QsbkItem
   
    class QsbkSpider(scrapy.Spider):
        name = 'qsbk'
        allowed_domains = ['qiushibaike.com']
        start_urls = ['https://www.qiushibaike.com/text/']
   
        def parse(self, response):
            outerbox = response.xpath("//div[@id='content-left']/div")
            items = []
            for box in outerbox:
                author = box.xpath(".//div[contains(@class,'author')]//h2/text()").extract_first().strip()
                content = box.xpath(".//div[@class='content']/span/text()").extract_first().strip()
                item = QsbkItem()
                item["author"] = author
                item["content"] = content
                items.append(item)
            return items
   ```

2. items.py部分代码：

   ```python
    import scrapy
    class QsbkItem(scrapy.Item):
        author = scrapy.Field()
        content = scrapy.Field()
   ```

3. pipeline部分代码：

   ```python
    import json
   
    class AbcspiderPipeline(object):
        def __init__(self):
   
            self.items = []
   
        def process_item(self, item, spider):
            self.items.append(dict(item))
            print("="*40)
            return item
   
        def close_spider(self,spider):
            with open('qsbk.json','w',encoding='utf-8') as fp:
                json.dump(self.items,fp,ensure_ascii=False)
   ```

#### 运行scrapy项目：

运行scrapy项目。需要在终端，进入项目所在的路径，然后`scrapy crawl [爬虫名字]`即可运行指定的爬虫。如果不想每次都在命令行中运行，那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。比如现在新创建一个文件叫做`start.py`，然后在这个文件中填入以下代码：

```python
from scrapy import cmdline

cmdline.execute("scrapy cra
```