Python之scrapy框架

1. scrapy

​​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。

1.1 安装scrapy

pip install scrapy

安装过程出现错误：

building 'twisted.test.raiser' 
extension error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual‐cpp‐build‐tools

解决：

http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

下载twisted对应版本的whl文件（如我的Twisted‐17.5.0‐cp36‐cp36m‐win_amd64.whl），cp后面是 python版本，amd64代表64位，运行命令： 
pip install C:\Users\...\Twisted‐17.5.0‐cp36‐cp36m‐win_amd64.whl 
pip install Scrapy

如果报错，需要更新pip直接更新即可

python ‐m pip install ‐‐upgrade pip

win32报错：

pip install pypiwin32

如果还不行，直接使用anaconda

安装后，打开anaconda 
点击environments 
点击not installed 
输入scrapy 
apply 
在pycharm中选择anaconda的环境

2. scrapy项目的创建以及运行

1. 创建​​scrapy​​项目

终端输入：scrapy startproject 项目名称

2.项目组成：
spiders 
  __init__.py 
  自定义的爬虫文件.py   ‐‐‐》由我们自己创建，是实现爬虫核心功能的文件 
__init__.py 
items.py         ‐‐‐》定义数据结构的地方，是一个继承自scrapy.Item的类 
middlewares.py       ‐‐‐》中间件 代理 
pipelines.py       ‐‐‐》管道文件，里面只有一个类，用于处理下载数据的后续处理 默认是300优先级，                值越小优先级越高（1‐1000） 
settings.py          ‐‐‐》配置文件 比如：是否遵守robots协议，User‐Agent定义等

3.创建爬虫文件：
（1）跳转到spiders文件夹  cd 目录名字/目录名字/spiders 
（2）scrapy genspider 爬虫名字 网页的域名

爬虫文件的基本组成：

继承scrapy.Spider类 
  name = 'baidu' ‐‐‐》 运行爬虫文件时使用的名字 
  allowed_domains ‐‐‐》 爬虫允许的域名，在爬取的时候，如果不是此域名之下的 url，会被过滤掉          start_urls ‐‐‐》 声明了爬虫的起始地址，可以写多个url，一般是一个 
  parse(self, response) ‐‐‐》解析数据的回调函数 
    response.text ‐‐‐》响应的是字符串 
    response.body ‐‐‐》响应的是二进制文件 
    response.xpath()‐》xpath方法的返回值类型是selector列表 
    extract() ‐‐‐》提取的是selector对象的是data 
    extract_first() ‐‐‐》提取的是selector列表中的第一个数据

运行爬虫文件：
  scrapy crawl 爬虫名称 
  注意：应在spiders文件夹内执行

如果运行提示​​robots协议​​​，可以注释掉​​settings.py​​​中​​ROBOTSTXT_OBEY = True​​

2. scrapy工作原理

3. yield

1. 带有 ​​yield​​ 的函数不再是一个普通函数，而是一个生成器​​generator​​，可用于迭代
2. ​​yield​​​ 是一个类似 ​​return​​ 的关键字，迭代一次遇到​​yield​​时就返回​​yield​​后面(右边)的值。重点是：下一次迭代

时，从上一次迭代遇到的​​yield​​后面的代码(下一行)开始执行

3. 简要理解：​​yield​​​就是 ​​return​​ 返回一个值，并且记住这个返回的位置，下次迭代就从这个位置后(下一行)开始

5. 实际使用

多条管道下载、多页数据下载

以某网站(仅学习使用)为例：

创建项目名为：​​dangdang​​​，文件名为：​​dang​​

dang.py

import scrapy
from dangdang.items import DangdangItem

class DangSpider(scrapy.Spider):
    name = 'dang'
    allowed_domains = ['category.dangdang.com']
    start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']

    base_url = 'http://category.dangdang.com/pg'
    page = 1

    def parse(self, response):
        #       pipelines 下载数据
        #       items     定义数据结构的
        #         src = //ul[@id="component_59"]/li//img/@src
        #         alt = //ul[@id="component_59"]/li//img/@alt
        #         price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()
        #         所有的seletor的对象 都可以再次调用xpath方法

        li_list = response.xpath('//ul[@id="component_59"]/li')

        for li in li_list:
            src = li.xpath('.//img/@data-original').extract_first()
            # 第一张图片和其他的图片的标签的属性是不一样的
            # 第一张图片的src是可以使用的  其他的图片的地址是data-original
            if src:
                src = src
            else:
                src = li.xpath('.//img/@src').extract_first()

            name = li.xpath('.//img/@alt').extract_first()
            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()

            book = DangdangItem(src=src, name=name, price=price)

            # 获取一个book就将book交给pipelines
            yield book

            if self.page < 100:
                self.page = self.page + 1

                url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'

                #             怎么去调用parse方法
                #             scrapy.Request就是scrpay的get请求
                #             url就是请求地址
                #             callback是你要执行的那个函数  注意不需要加（）
                yield scrapy.Request(url=url, callback=self.parse)

items.py

import scrapy


class DangdangItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 通俗的说就是你要下载的数据都有什么

    # 图片
    src = scrapy.Field()
    # 名字
    name = scrapy.Field()
    # 价格
    price = scrapy.Field()

pipelines.py

# 如果想使用管道的话 那么就必须在settings中开启管道
class DangdangPipeline:

    # 在爬虫文件开始的之前就执行的一个方法
    def open_spider(self, spider):
        self.fp = open('book.json', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        # 以下这种模式不推荐  因为每传递过来一个对象 那么就打开一次文件  对文件的操作过于频繁

        # # (1) write方法必须要写一个字符串 而不能是其他的对象
        # # (2) w模式 会每一个对象都打开一次文件 覆盖之前的内容
        # with open('book.json','a',encoding='utf-8')as fp:
        #     fp.write(str(item))

        self.fp.write(str(item))

        return item

    # 在爬虫文件执行完之后  执行的方法
    def close_spider(self, spider):
        self.fp.close()


import urllib.request


# 多条管道开启
#    (1) 定义管道类
#   （2） 在settings中开启管道
# 'scrapy_dangdang_095.pipelines.DangDangDownloadPipeline':301
class DangDangDownloadPipeline:
    def process_item(self, item, spider):
        url = 'http:' + item.get('src')
        filename = './books/' + item.get('name') + '.jpg'

        urllib.request.urlretrieve(url=url, filename=filename)

        return item

​​settings.py​​中开启配置管道：

ITEM_PIPELINES = {
   'dangdang.pipelines.DangdangPipeline': 300,
   'dangdang.pipelines.DangDangDownloadPipeline': 301
}
ROBOTSTXT_OBEY = True # 看网站是否需要关闭(注释)