初识Scrapy
什么是Scrapy？
Scrapy使用 Python 实现的一个开源爬虫框架，Scrapy基于 twisted这个高性能的事件驱动网络引擎框架，Scrapy爬虫拥有很高的性能。
Scrapy内置数据提取器（Selector），支持XPath和 Scrapy自己的 CSS Selector语法
并且支持正则表达式，方便从网页提取信息。
交互式的命令行工具，方便测试 Selector 和 debugging爬虫
支持将数据导出为 JSON，CSV，XML格式。
可推展性强，运行自己编写特定功能的插件
内置了很多拓展和中间件用于处理：
cookies和 session
HTTP的压缩，认证，缓存
robots.txt
爬虫深度限制
Scrapy内部数据流程图
Scrapy内部数据流程图 其中：
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）
制作 Scrapy 爬虫 的步骤?
新建项目(scrapy?startproject?xxx)：新建一个新的爬虫项目 明确目标（编写items.py）：明确你想要抓取的目标 制作爬虫（spiders/xxspider.py）：制作爬虫开始爬取网页 存储内容（pipelines.py）：设计管道存储爬取内容
如何安装Scrapy?
在windows系统下安装Scrapy在windows 64bit系统下需要先安装Scrapy需要安装的依赖库：
pip?install?wheel lxml-4.2.1-cp36-cp36m-win_amd64.whl pyOpenSSL-17.5.0-py2.py3-none-any.whl pywin32-221.win-amd64-py3.6.exe Twisted-17.9.0-cp36-cp36m-win_amd64.whl pip?install?scrapy在 Linux 下安装Scrapy
系统版本为ubuntu 16.04
sudo?apt-get?install?build-essential?python3-dev?libssl-dev?libffi-dev?libxml2?libxml2-dev?libxslt1-dev?zlib1g-dev pip?install?scrapy
Scrapy文件结构
安装好Scrapy后，我们在windows命令行模式下输入以下命令创建Scrapy项目：
scrapy?startproject?项目名称
可以看到创建了以下文件：
Scrapy文件结构 其中：
scrapy.cfg?：项目的配置文件 xxSpider/?：项目的Python模块，将会从这里引用代码 xxSpider/items.py?：项目的目标文件 xxSpider/pipelines.py?：项目的管道文件 xxSpider/settings.py?：项目的设置文件 xxSpider/spiders/?：存储爬虫代码目录
Scrapy单文件demo
创建完Scrapy项目，还是要上手实验一下才能更好的理解，所以我根据之前我在楼+课程中的学习笔记写了一个Scrapy单文件Demo，使用这个单文件Demo能快速爬取实验楼全部课程信息。 首先看下单文件的内容结构：
#?-*-?coding:utf-8?-*- import?scrapy class?ShiyanlouCoursesSpider(scrapy.Spider): ????"""?所有?scrapy?爬虫需要写一个?Spider?类，这个类要继承?scrapy.Spider?类。在这个类中定义要请求的网站和链接、如何从返回的网页提取数据等等。 ????""" ????#?爬虫标识符号，在?scrapy?项目中可能会有多个爬虫，name?用于标识每个爬虫，不能相同 ????name?=?'shiyanlou-courses' ????def?start_requests(self): ????????"""?需要返回一个可迭代的对象，迭代的元素是scrapy.Request对象，可迭代对象可以是一个列表或者迭代器，这样?scrapy?就知道有哪些网页需要爬取了。scrapy.Request接受一个?url?参数和一个?callback?参数，url?指明要爬取的网页，callback?是一个回调函数用于处理返回的网页，通常是一个提取数据的?parse?函数。 ????????""" ????def?parse(self,?response): ????????"""?这个方法作为?`scrapy.Request`?的?callback，在里面编写提取数据的代码。scrapy?中的下载器会下载?`start_reqeusts`?中定义的每个?`Request`?并且结果封装为一个?response?对象传入这个方法。 ????????""" ????????pass?
因为实验楼的网页结构还是很简单的，所以解析部分就不做赘述，直接上单文件完整代码：
#?-*-?coding:utf-8?-*- import?scrapy class?ShiyanlouCoursesSpider(scrapy.Spider): ????def?start_requests(self): ????#?课程列表页面?url?模版 ????url_tmpl?=?'https://HdhCmsTestshiyanlou测试数据/courses/?category=all&course_type=all&fee=all&tag=all&page={}' ????#?所有要爬取的页面 ????urls?=?(url_tmpl.format(i)?for?i?in?range(1,?23)) ????#?返回一个生成器，生成?Request?对象，生成器是可迭代对象 ????for?url?in?urls: ????????yield?scrapy.Request(url=url,?callback=self.parse) ????def?parse(self,?response): ????#?遍历每个课程的?div.course-body ????for?course?in?response.css('div.course-body'): ????????#?使用?css?语法对每个?course?提取数据 ????????yield?{ ????????????#?课程名称 ????????????'name':?course.css('div.course-name::text').extract_first(), ????????????#?课程描述 ????????????'description':?course.css('div.course-desc::text').extract_first(), ????????????#?课程类型，实验楼的课程有免费，会员，训练营三种，免费课程并没有字样显示，也就是说没有?span.pull-right?这个标签，没有这个标签就代表时免费课程，使用默认值?`免费｀就可以了。 ????????????'type':?course.css('div.course-footer?span.pull-right::text').extract_first(default='Free'), ????????????#?注意?//?前面的?.，没有点表示整个文档所有的?div.course-body，有?.?才表示当前迭代的这个?div.course-body ???????????????'students':?course.xpath('.//span[contains(@class,?"pull-left")]/text()[2]').re_first('[^\d]*(\d*)[^\d]*') ????????} 保存文件，使用 scrapy runspider xx.py -o data.json 运行代码，这里使用? -o 参数将结果输出为json格式。
写在后面
这是咸鱼的第四篇学习笔记，旨在熟悉scrapy单文件结构为之后深入学习scrapy打好基础。
咸鱼普拉思
一只咸鱼在编程路上的摸爬滚打,记录摸索中的点点滴滴。
查看更多关于Python | Python学习之初识Scrapy的详细内容...