Scrapy框架的入门使用

1 安装scrapy

命令:
sudo apt-get install scrapy
或者：
pip/pip3 install scrapy

2 scrapy项目开发流程

创建项目:
scrapy startproject mySpider
生成一个爬虫:
scrapy genspider itcast itcast.cn
提取数据:
根据网站结构在spider中实现数据采集相关内容
保存数据:
使用pipeline进行数据后续处理和保存

3. 创建项目

通过命令将scrapy项目的的文件生成出来，后续步骤都是在项目文件中进行相关操作，下面以抓取传智师资库来学习scrapy的入门使用：传智教育课程培训教研团队

创建scrapy项目的命令：
scrapy startproject <项目名字>
示例：
scrapy startproject myspider

生成的目录和文件结果如下：

4. 创建爬虫

通过命令创建出爬虫文件，爬虫文件为主要的代码作业文件，通常一个网站的爬取动作都会在爬虫文件中进行编写。

命令：
在项目路径下执行:
scrapy genspider <爬虫名字> <允许爬取的域名>

爬虫名字: 作为爬虫运行时的参数
允许爬取的域名: 为对于爬虫设置的爬取范围，设置之后用于过滤要爬取的url，如果爬取的url与允许的域不通则被过滤掉。

示例：

    cd myspiderscrapy genspider itcast itcast.cn

生成的目录和文件结果如下：

5. 完善爬虫

在上一步生成出来的爬虫文件中编写指定网站的数据采集操作，实现数据提取

5.1 在/myspider/myspider/spiders/itcast.py中修改内容如下:

import scrapyclass ItcastSpider(scrapy.Spider):name = 'itcast'#  2.检查域名allowed_domains = ['itcast.cn']# start_urls = ['http://itcast.cn/']#  1.修改起始urlstart_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']#  3.在parse方法中实现爬取逻辑#  response是上面的url响应的结果def parse(self, response):# with open('itcast1.html', 'wb') as f:
#         #     f.write(response.body)#  获取所有老师的节点node_list = response.xpath('//div[@class="li_txt"]')print(len(node_list))#  遍历教师节点for node in node_list:temp = {}#  xpath方法返回的是选择器对象列表，extract()用于从选择器对象中提取数据temp['name'] = node.xpath('./h3/text()').extract_first()temp['title'] = node.xpath('./h4/text()')[0].extract()temp['desc'] = node.xpath('./p/text()')[0].extract()#  xpath结果为只含有一个值的列表，可以使用extract_first(),如果为多个值则使用extract()print(temp)yield temp

运行结果：

注意：

scrapy.Spider爬虫类中必须有名为parse的解析
如果网站结构层次比较复杂，也可以自定义其他解析函数
在解析函数中提取的url地址如果要发送请求，则必须属于allowed_domains范围内，但是start_urls中的url地址不受这个限制，在后续学习如何在解析函数中构造发送请求
启动爬虫的时候注意启动的位置，是在项目路径下启动
parse()函数中使用yield返回数据，注意：解析函数中的yield能够传递的对象只能是：BaseItem, Request, dict, None

5.2 定位元素以及提取数据、属性值的方法

解析并获取scrapy爬虫中的数据: 利用xpath规则字符串进行定位和提取

response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
额外方法extract()：返回一个包含有字符串的列表
额外方法extract_first()：返回列表中的第一个字符串，列表为空没有返回None

5.3 response响应对象的常用属性

response.url：当前响应的url地址
response.request.url：当前响应对应的请求的url地址
response.headers：响应头
response.requests.headers：当前响应的请求头
response.body：响应体，也就是html代码，byte类型
response.status：响应状态码

示例代码：

运行结果：

6 保存数据（scrapy管道的基本使用）

利用管道pipeline来处理(保存)数据

6.1 在pipelines.py文件中定义对数据的操作

定义一个管道类
重写管道类的process_item方法
process_item方法处理完item之后必须返回给引擎

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
import jsonclass MyspiderPipeline:# 爬虫文件中提取数据的方法每yield一次item，就会运行一次def __init__(self):self.file = open('itcast.json', 'w')   #  文件单独的初始化，不能直接写在函数内，否者每次循环一次都要新建一次# 该方法为固定名称函数def process_item(self, item, spider):# print('itcast:', item)#  将字典数据序列化json_data = json.dumps(item, ensure_ascii=False) + ",\n"#  将数据写入文件self.file.write(json_data)#  默认使用完管道之后需要将数据返回给引擎return itemdef __del__(self):self.file.close()

6.2 在settings.py配置启用管道

ITEM_PIPELINES = {'myspider.pipelines.ItcastPipeline': 400，'myspider.pipelines.ItcastPipeline1': 401     #  如果有两个管道的话，谁后面的数值小就先执行谁
}

配置项中键为使用的管道类，管道类使用.进行分割，第一个为项目目录，第二个为文件，第三个为定义的管道类。
配置项中值为管道的使用顺序，设置的数值越小越优先执行，该值一般设置为1000以内。

7. 运行scrapy

命令：在项目目录下执行scrapy crawl <爬虫名字>

示例：scrapy crawl itcast

运行结果：

上述json文件中报红，是因为生成的json文件的格式不正确，