什么是Scrapy

　　Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架。

　　框架就是將平常寫爬蟲的request (異步調度和處理)、下載器(多線程的 Downloader)、解析器(selector)和 twisted(異步處理)封裝到了一起，夠成了框架。而且使用起來更加方便，爬取速度更快。

　　Scrapy框架的應用領域有很多，例如網絡爬蟲開發(fā)、數據挖掘、自動化測試等，其最初是為了頁面抓取(網絡抓取)所設計的，也可以應用在獲取API所返回的數據或者通用的網絡爬蟲。官方網址是https://scrapy.org/

　　Scrapy的安裝

　　Windows系統(tǒng)：

　　pip install scrapy

　　如果安裝過程中出錯

　　錯誤信息如下：

　　則需要安裝Microsoft Visual C++14，如果報錯不是Microsoft Visual C++14比如Microsoft Visual C++15則對應安裝即可。

　　如果安裝過程中過提示安裝Twisted安裝失敗，則需要來到這個網址：https://www.lfd.uci.edu/~gohlke/pythonlibs/自行下載wheel文件，

　　可能需要下載的是：pyOpenSSL、Twisted、PyWin32，可以根據安裝時，報錯的提示信息有針對性的下載。

　　下載之后放到一個固定的目錄中，進入下載的目錄。執(zhí)行 pip3 install xxxxxx.whl (注意xxxxxx代表的是你下載的wheel的名字)

　　然后再次執(zhí)行：pip install scrapy

　　Linux和mac系統(tǒng)直接：pip3 install scrapy

　　scrapy工作流程

　　Scrapy工作流程的圖：

　　在圖中，Scrapy引擎是架構的核心部分，調度器、管道、下載器和Spiders等組件都通過引擎來調控。在Scrapy引擎和下載器中間通過中間件傳遞信息，在下載中間件中，可以插入自定義代碼擴展Scrapy的功能，例如實現(xiàn)IP池的應用。引擎和Spiders之間也是通過爬蟲中間件來傳遞信息，同樣可以自定義擴展功能。

　　其中：

　　Scrapy引擎負責控制整個數據處理流程，處于整個Scrapy框架中心位置，協(xié)調調度器、管道、中間件、下載器、爬蟲。

　　調度器負責存儲等待爬取的網址，確定網址優(yōu)先級，相當于一個隊列存儲，同時也會過濾一些重復的網址。

　　下載器實現(xiàn)對等待爬取的網頁資源進行高速下載，該組件通過網絡進行大量數據傳輸，下載對應的網頁資源后將數據傳遞給Scrapy引擎，再由引擎?zhèn)鬟f給爬蟲處理。

　　下載中間件用于處理下載器與Scrapy引擎之間的通信，自定義代碼可以輕松擴展Scrapy框架的功能

　　Spiders是實現(xiàn)Scrapy框架爬蟲的核心部分。每個爬蟲負責一個或多個指定的網站。爬蟲組件負責接收Scrapy引擎中的Response響應，接收到響應后分析處理，提取對應重要信息

　　爬蟲中間件是處理爬蟲組件和Scrapy引擎之間通信的組件，可以自定義代碼擴展Scrapy功能

　　管道用于接收從爬蟲組件中提取的管道，接收到后進行清洗、驗證、存儲等系列操作

　　因此其流程可以描述如下：

　　爬蟲中起始的url構造成request對象-->爬蟲中間件-->引擎-->調度器

　　調度器把request-->引擎-->下載中間件--->下載器

　　下載器發(fā)送請求，獲取response響應---->下載中間件---->引擎--->爬蟲中間件--->爬蟲

　　爬蟲提取url地址，組裝成request對象---->爬蟲中間件--->引擎--->調度器，重復步驟2

　　爬蟲提取數據--->引擎--->管道處理和保存數據

　　每部分的具體作用

　　scrapy常用命令

　　scrapy后面可以跟不同的命令，可以使用scrapy --help進行查看，Scrapy框架中命令分為全局命令和項目命令，全局命令不需要進入Scrapy項目即可在全局中直接運行，項目命令必須在Scrapy項目中才可以運行。

　　其中：

　　全局命令：

　　fetch命令是用來檢查spider下載頁面的方式

　　runspider命令通過Scrapy中的runspider命令可以直接運行一個爬蟲文件

　　settings命令是用來獲取Scrapy的配置信息。

　　shell命令可以啟動Scrapy的交互終端

　　version命令用于查看Scrapy的版本信息

　　項目命令：

　　Scarpy的項目命令主要有bench、check、crawl、edit、genspider、list、parse。Scrapy全局命令可以在項目內外使用，而項目命令只能在Scrapy爬蟲項目中使用。

　　bench命令可以測試本地硬件的性能。

　　genspider命令可以創(chuàng)建Scrapy爬蟲文件，這是一種快速創(chuàng)建爬蟲文件的方法

　　check命令可以實現(xiàn)對爬蟲文件的測試

　　crawl命令可以啟動某個爬蟲

　　list命令可以列出當前可使用的爬蟲文件

　　parse命令可以獲取指定的URL網址，并使用對應的爬蟲文件分析處理

　　scrapy開發(fā)步驟

　　創(chuàng)建項目:

　　scrapy startproject 爬蟲項目名字

　　生成一個爬蟲:

　　scrapy genspider <爬蟲名字> <允許爬取的域名>

　　提取數據:

　　根據網站結構在spider中實現(xiàn)數據采集相關內容

　　保存數據:

　　使用pipeline進行數據后續(xù)處理和保存

　　創(chuàng)建項目

　　使用Scrapy創(chuàng)建一個爬蟲項目，首先需要進入存儲爬蟲項目的文件夾，例如在“D:\python_spider”目錄中創(chuàng)建爬蟲項目，如圖所示。

　　當然如果你是Linux或者mac系統(tǒng)也需要進入存儲爬蟲項目的文件夾，然后新建項目

　　創(chuàng)建之后的爬蟲項目myproject目錄結構如下：

　　項目名字/

　　scrapy.cfg：

　　項目名字/

　　__init__.py

　　items.py

　　pipelines.py

　　settings.py

　　spiders/

　　__init__.py

　　scrapy.cfg 項目的主配置信息。(真正爬蟲相關的配置信息在settings.py文件中)

　　items.py 設置數據存儲模板，用于結構化數據，如：Django的Model

　　pipelines 數據持久化處理

　　settings.py 配置文件，如：遞歸的層數、并發(fā)數，延遲下載等

　　spiders 爬蟲目錄，如：創(chuàng)建文件，編寫爬蟲解析規(guī)則

　　生成一個爬蟲spider

　　進入剛才創(chuàng)建的爬蟲項目myproject目錄

　　然后執(zhí)行： scrapy genspider 應用名稱 爬取網頁的起始url (見下圖的3部分)

　　編寫爬蟲

　　在生成一個爬蟲執(zhí)行完畢后，會在項目的spiders中生成一個應用名的py爬蟲文件

　　打開文件進行代碼編寫，大家看到的是默認的格式，可以在parse方法中完善爬蟲代碼

　　保存數據

　　數據的保存需要使用管道pipline，在pipelines.py文件中定義對數據的操作

　　定義一個管道類

　　重寫管道類的process_item方法

　　process_item方法處理完item之后必須返回給引擎

　　然后在settings.py配置啟用管道

　　ITEM_PIPELINES = {

　　'myproject.pipelines.MyprojectPipeline': 400,

　　}

　　配置項中鍵為使用的管道類，管道類使用.進行分割，第一個為項目目錄，第二個為文件，第三個為定義的管道類。

　　配置項中值為管道的使用順序，設置的數值約小越優(yōu)先執(zhí)行，該值一般設置為1000以內。

　　運行scrapy

　　命令：在項目目錄下執(zhí)行scrapy crawl <爬蟲名字>

　　示例：scrapy crawl qiubai

　　當然本次只是給大家描述了一下爬蟲中使用scrapy的基本步驟，20天學會爬蟲后面會接連介紹scrapy的使用，敬請期待哦!