Scrapy
Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。
一、安装scrapy
安装TwistedTwisted：为 Python 提供的基于事件驱动的网络引擎包。
在下面网址安装Twisted
url:https://HdhCmsTestlfd.uci.edu/~gohlke/pythonlibs/
安装scrapy
cmd输入 pip install scrapy
安装完毕，cmd里输入scrapy出现安装成功。
二、了解scrapy
Scrapy的组件
引擎，用来处理整个系统的数据流处理，触发事务。
调度器，用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。
下载器，用于下载网页内容，并将网页内容返回给蜘蛛。
蜘蛛，蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。
项目管道，负责处理有蜘蛛从网页中抽取的项目，主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件，位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
蜘蛛中间件，介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件，介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
其处理流程为：引擎打开一个域名时，蜘蛛处理这个域名，并让蜘蛛获取第一个爬取的URL。
引擎从蜘蛛那获取第一个需要爬取的URL，然后作为请求在调度中进行调度。
引擎从调度那获取接下来进行爬取的页面。
调度将下一个爬取的URL返回给引擎，引擎将他们通过下载中间件发送到下载器。
当网页被下载器下载完成以后，响应内容通过下载中间件被发送到引擎。
引擎收到下载器的响应并将它通过蜘蛛中间件发送到蜘蛛进行处理。
蜘蛛处理响应并返回爬取到的项目，然后给引擎发送新的请求。
引擎将抓取到的项目项目管道，并向调度发送请求。
系统重复第二部后面的操作，直到调度中没有请求。
三、项目分析
爬取天气网城市的信息url : https://HdhCmsTestaqistudy.cn/historydata/
爬取主要的信息: 热门城市每一天的空气质量信息
点击月份还有爬取每天的空气质量信息
四、新建项目
新建文件夹命令为天气网爬虫
cd到根目录，打开cmd，运行 scrapy startproject weather_spider
创建spider
cd到根目录,运行 scrapy genspider weather HdhCmsTestaqistudy.cn/historydata
这里的weather是spider的名字
创建的路径如下：
五、代码编写
对于scrapy，第一步，必须编写item.py，明确爬取的对象
item.py
?scrapy ???? ???? ???? ????city?=?scrapy.Field() ????date?=?scrapy.Field() ????aqi?=?scrapy.Field() ????level?=?scrapy.Field() ????pm25?=?scrapy.Field() ????pm10?=?scrapy.Field() ????so2?=?scrapy.Field() ????co?=?scrapy.Field() ????no2?=?scrapy.Field() ????o3_8h?=?scrapy.Field()
对于爬取必须伪装好UA，在setting.py中定义 MY_USER_AGENT 来存放UA，注意在settings中命名必须大写
settings.py
MY_USER_AGENT?=?[ ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ????, ]
在定义好UA后，在middlewares.py中创建 RandomUserAgentMiddleware 类
middlewares.py
?random ???? ????????self.user_agents?=?user_agents ????@classmethod ???? ???????? ????????s?=?cls(user_agents=crawler.settings.get()) ?????????s ???? ????????agent?=?random.choice(self.user_agents) ????????request.headers[]?=?agent
注意要在settings.py中激活，必须是900，来去掉scrapy本身的UA
setting.py
DOWNLOADER_MIDDLEWARES?=?{
???:,
}开始编写最重要的spider.py，推荐使用scrapy.shell来一步一步调试
先拿到所有的城市
在scrapy中xpath方法和lxml中的xpath语法一样
我们可以看出url中缺少前面的部分，follow方法可以自动拼接url,通过meta方法来传递需要保存的city名字，通过callback方法来调度将下一个爬取的URL
weather.py
????city_urls?=?response.xpath().extract()[:]
????city_names?=?response.xpath().extract()[:]
????self.logger.info(.format(city_names[]))
?????city_url,?city_name??zip(city_urls,?city_names):
????????
?????????response.follow(url=city_url,?meta={:?city_name},?callback=self.parse_month)这时就是定义parse_month函数，首先分析月份的详情页,拿到月份的url
还是在scrapy.shell 中一步一步调试
通过follow方法拼接url，meta来传递city_name要保存的城市名字，selenium：True先不管然后通过callback方法来调度将下一个爬取的URL，即就是天的爬取详细页
weather.py
????
????city_name?=?response.meta[]
????self.logger.info(.format(city_name[]))
????
????month_urls?=?response.xpath().extract()[:]
?????month_url??month_urls:
?????????response.follow(url=month_url,?meta={:?city_name,?:?},?callback=self.parse_day_data)现在将日的详细页的信息通过xpah来取出
发现竟然为空
同时发现了源代码没有该信息
说明了是通过js生成的数据，scrapy只能爬静态的信息，所以引出的scrapy对接selenium的知识点，所以上面meta传递的参数就是告诉scrapy使用selenium来爬取。复写 WeatherSpiderDownloaderMiddleware 下载中间件中的process_request函数方法middlewares.py
?time ?scrapy ?selenium??webdriver ?selenium.webdriver.chrome.options??Options ???? ?????????request.meta.get(): ???????????? ????????????chrome_options?=?Options() ???????????? ????????????chrome_options.add_argument() ????????????driver?=?webdriver.Chrome(chrome_options=chrome_options) ???????????? ????????????driver.get(request.url) ????????????time.sleep()?? ????????????html?=?driver.page_source ????????????driver.quit() ?????????????scrapy.http.HtmlResponse(url=request.url,?body=html,?encoding=,?request=request)
激活WeatherSpiderDownloaderMiddleware
DOWNLOADER_MIDDLEWARES?=?{
???:?,
???:,
}最后编写weather.py中的剩下代码
?..items??WeatherSpiderItem ???? ????node_list?=?response.xpath() ???? ????node_list.pop() ????print(response.body) ????print() ????print(node_list) ?????node??node_list: ????????item?=?WeatherSpiderItem ????????item[]?=?response.meta[] ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ????????item[]?=?node.xpath().extract_first() ?????????item
六、运行项目
一定要注意项目的根目录执行命令，可以通过 scrapy list 查看是否存在项目
scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，命令如下：默认json
scrapy crawl weather -o spider.json
json lines格式，默认为Unicode编码
scrapy crawl weather -o spider..jl
csv 逗号表达式，可用Excel打开
scrapy crawl weather -o spider..csv
xml格式
scrapy crawl weather -o spider..xml
但是保存的编码不对，必须在settings中加入 FEED_EXPORT_ENCODING = 'utf-8'
七、入库操作
这里入的库是Mongodb，在settings.py中配置
MONGO_URI=? MONGO_DB=
对于入门主要处理的是pipelines中
pipelines.py
?pymongo ???? ????????self.mongo_uri=mongo_uri ????????self.mongo_db=mongo_db ????@classmethod ???? ?????????cls( ????????????mongo_uri=crawler.settings.get(), ????????????mongo_db=crawler.settings.get() ????????) ?????? ????????self.client?=?pymongo.MongoClient(self.mongo_uri) ????????self.db?=?self.client[self.mongo_db] ???? ????????name?=?item.__class__.__name__ ????????self.db[name].insert(dict(item))?? ?????????item ?????? ????????self.client.close()
在settings中激活pipelines
ITEM_PIPELINES?=?{
???:?,
}效果如下
八、结语
我们本次通过爬取天气网站的来作为学习? Scrapy ?的，这里展示的关于? Scrapy ?大部分的知识点。如果改写列表，就可以爬取北京所有的天气信息，当然还可以爬取全部城市的天气信息，即这个天气网的全部内容基本都爬取。
查看更多关于实操 | 从0到1教你用Python来爬取整站天气网的详细内容...