Scrapy框架-----爬虫

说明：文章是本人读了崔庆才的Python3---网络爬虫开发实战，做的简单整理，希望能帮助正在学习的小伙伴~~

1. 准备工作：

　　安装Scrapy框架、MongoDB和PyMongo库，如果没有安装，google了解一下~~

2. 创建项目：

　　使用命令创建Scrapy项目，命令如下：

　　scrapy startproject tutorial

　　该命令可以在任意文件夹运行，如果提示权限问题，可以加sudo运行。该命令会创建一个名为tutorial的文件夹，结构如下：

　　# scrapy.cfg： Scrapy项目的配置文件，定义了项目的配置文件路径，部署相关信息等

　　# item.py：定义item数据结构（爬取的数据结构）

　　# pipeline.py：定义数据管道

　　# settings.py：配置文件

　　# middlewares.py：定义爬取时的中间件

　　# spiders：放置Spiders的文件夹

3. 创建Spider：

　　Spider是自己定义的类，Scrapy用它来从网页抓取内容，并解析抓取结果。该类必须继承Scrapy提供的Spider类scrapy.Spider。

　　使用命令创建一个Spider，命令如下：

　　cd tutorial

　　scrapy genspider quotes quotes.toscrape.com

　　首先，进入刚才创建的tutorial文件夹，然后执行genspider命令。第一个参数是spider的名称，第二个参数是网络域名（要抓取网络的域名）。执行完毕后，spiders文件夹中多了一个quotes.py，它就是刚刚创建的Spider，内容如下：

　　该类中有三个属性 ------ name、allowed_domains、start_urls，一个方法parse。

　　# name，唯一的名字，用来区分不同的Spider。

　　# allowed_domains，允许爬取的域名，如果初始或后续的请求链接不是该域名下的，则被过滤掉。

　　# start_urls，Spider在启动时爬取的url列表，用来定义初始的请求。

　　# parse，它是spider的一个方法，用来处理start_urls里面的请求返回的响应，该方法负责解析返回的响应，提取数据或进一步生成处理的请求。

4. 创建Item：

　　Item是保存爬取数据的容器，使用方法和字典类似。创建Item需要继承scrapy.Item类，并且定义类型为scrapy.Field的字段。

　　定义Item，将生成的items.py修改如下：

　　这里定义了三个字段，接下来爬取时我们会用到这个Item。

5. 解析Response：

　　前面我们看到，parse()方法的参数response是start_urls里面的链接爬取后的结果，所以在parse方法中，可以对response变量包含的内容进行解析。网页结构如下：

　　提取方式可以是CSS选择器或XPath选择器。在这里，使用CSS选择器，parse()方法修改如下：

　　首先，利用选择器选取所有的quote，并将其赋值给quotes变量，然后利用for循环对每一个quote遍历，解析每一个quote的内容。

　　对text来说，他的class是text，所以用.text选择器来选取，这个结果实际上是整个带有标签的节点，要获取它的正文内容，可以加::text来获取。这时的结果是长度为1的列表，所以还需要用extract_first()方法来获取第一个元素。

　　而对于tags来说，由于我们要获取所有的标签，所以用extract()方法来获取整个列表即可。

6. 使用Item：

　　上面定义了Item，这边我们就需要用到它。Item可以理解为一个字典，不过在这里需要先实例化，然后将解析的结果赋值给Item的每一个字段，最后返回Item。

　　修改QuotesSpider类如下：

　　至此，首页的所有内容被解析出来了，并将结果赋值给一个个TutorialItem。

7. 后续Request：

　　上面实现了网页首页的抓取解析，那么下一页怎么抓取呢？我们可以看到网页的翻页结构如下：

　　这里有一个Next按钮，查看源码，可以看出下一页的全链接是：http://quotes.toscrape.com/page/2/,通过这个链接我们就可以构造下一个请求。

　　构造请求需要用到scrapy.Request。这里会有两个参数 -------url和callback。

　　# url，请求链接。

　　# callback，回调函数。请求完毕后，获取响应，引擎会将该响应作为参数传递给回调函数，回调函数进行解析或生成下一个请求。

　　在parse()方法中追加如下代码：

　　第一句，获取下一个页面的链接，即要获取a超链接中的href属性。

　　第二句，调用urljoin()方法，urljoin()方法可以将相对URL构造成一个绝对URL。例如，获取得到下一页的地址是/page/2/，urljoin()方法处理后的结果是：http://quotes.toscrape.com/page/2/。

　　第三句，通过url和callback变量构造了一个新的请求，回调函数callback依然使用parse()方法。这样，爬虫就进入了一个循环，直到最后一页。

　　修改之后，整个Spider类如下：

8. 运行：

　　进入目录，运行如下命令：

　　scrapy crawl quotes

　　就可以看到Scrapy的运行结果了。

9. 保存到文件：

　　运行完Scrapy后，我们只在控制台看到了输出结果。如何保存结果呢？

　　Scrapy提供了Feed Exports可以轻松将结果输出。例如，我们想将上面的结果保存成JSON文件，可以执行如下命令：

　　scrapy crawl quotes -o quotes.json

　　命令运行后，会发现项目内多了一个quotes.json文件，这个文件包含了抓取的所有内容，格式为JSON。

　　另外，还支持其他格式如下：

　　scrapy crawl quotes -o quotes.jsonlines (scrapy crawl quotes -o quotes.jl , jl是jsonlines的缩写)

　　scrapy crawl quotes -o quotes.csv

　　scrapy crawl quotes -o quotes.xml

　　scrapy crawl quotes -o quotes.pickle

　　scrapy crawl quotes -o quotes.marshal

　　scrapy crawl quotes -o ftp://user:pass@ftp.example.com/path/to/quotes.csv (远程输出，需要正确配置，否则会报错)

10. 使用Pipeline：

　　如果想进行复杂额操作，如将结果保存到MongoDB数据库，或者筛选Item，我们可以定义Pipeline来实现。

　　前面提到，Pipeline是项目管道，当Item生成后，它会自动被送到Pipeline进行处理，主要的操作如下：

　　# 清理HTML数据

　　# 验证爬取的数据，检查爬取的字段

　　# 查重并丢弃重复内容

　　# 将结果保存到数据库

　　实现Pipeline，只需要定义一个类并实现process_item()方法即可。启用Pipeline后，Pipline会自动调用这个方法。process_item()方法必须返回包含数据的字典或item对象，或者抛出DropItem异常。

　　process_item()方法有两个参数，一个参数是item，每次Spider生成的Item都会作为参数传递过来，另一个参数是spider，就是Spider的实例。

　　接下来，我们实现一个Pipline，筛掉text长度大于50的Item，并将结果保存到MongoDB数据库。

　　修改pipelines.py如下：

　　# from_crawler，这是一个类方法，用@classmethod标识，是一种依赖注入。它的参数就是crawler，通过crawler可以拿到全局配置的每一个配置信息。在全局配置settings.py中，可以配置MONGO_UR和MONGO_DB来指定MongoDB连接需要的地址和数据库名称，拿到配置信息之后返回类对象即可。所以这个方法主要是用来获取settings.py中的配置信息。

　　# open_spider，当Spider开启时，这个方法被调用。进行初始化操作。

　　# close_spider，当Spider关闭时，这个方法被调用。将数据库连接关闭。

　　最主要的process_item()方法则进行了数据插入操作。

　　定义好的TutorialPipeline和MongoPipline这两个类后，我们需要在settings.py中使用它们，MongoDB的连接信息也需要在settings.py中定义。

　　settings.py中加入如下内容：

　　赋值ITEM_PIPELINES字典，键名是Pipeline的类名称，键值是调用的优先级，是一个数字，数字越小对应的Pipeline越先被调用。

　　重新执行如下命令进行爬取：