scrapy框架简介和基础应用(python爬虫)

一.什么是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,非常出名,非常强悍,所谓的框架就是一个已经被集成了各种功能(高性能异步下载,队列,分布式,持久化等)的具有很强通用性的项目模板,对于框架学习,重点是要学习其框架的特性,各个功能的用法即可.

二.安装

　　Linux：

      pip3 install scrapy
 
　　Windows：

      a. pip3 install wheel

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

      c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

      d. pip3 install pywin32

      e. pip3 install scrapy

 三.基础使用

1.创建项目: scrapy startproject 项目名称

项目结构:

project_name/
   scrapy.cfg：
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py

scrapy.cfg    项目的主配置信息.(真正爬虫相关的配置信息在settings.py文件中)
items.py      设置数据存储模板,用于结构化数据 ,如django的Model
pipelines     数据持久化处理
settings.py   配置文件,如:递归的层数,并发数,延迟下载等
spider        爬虫目录, 如:创建文件,编写爬虫解析规则

 2.创建爬虫引用程序:

    cd project_name (进入项目目录)

    scrapy genspider <应用名称> <爬取网页的起始url> (例如：scrapy genspider qiubai www.qiushibaike.com)

3.编写爬虫文件:在步骤2执行完毕之后,在项目的spider中生成一个应用名的py爬虫文件,文件源码如下:

# -*- coding: utf-8 -*-
import scrapy

class QiubaiSpider(scrapy.Spider):
    name = 'qiubai' #应用名称
    #允许爬取的域名（如果遇到非该域名的url则爬取不到数据）
    allowed_domains = ['https://www.qiushibaike.com/']
    #起始爬取的url
    start_urls = ['https://www.qiushibaike.com/']

     #访问起始URL并获取结果后的回调函数，该函数的response参数就是向起始的url发送请求后，获取的响应对象.该函数返回值必须为可迭代对象或者NUll 
     def parse(self, response):
        print(response.text) #获取字符串类型的响应内容
        print(response.body)#获取字节类型的相应内容

4.设置修改settings.py配置文件相关配置 :

修改内容及结果如下:

修改内容及其结果如下：
19行：USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' #伪装请求载体身份

22行：ROBOTSTXT_OBEY = False  #可以忽略或者不遵守robots协议

5.执行爬虫程序: scrapy crawl <应用名称>

四.小试牛刀:将糗事百首页中的段子的内容和标题进行爬取

class BloodSpider(scrapy.Spider):
    name = 'blood'
    # allowed_domains = ['www.qiushibaike.com']
    start_urls = ['https://www.qiushibaike.com/text/']

    def parse(self, response):
        div_list = response.xpath('//*[@id="content-left"]/div') # xpath为response中的方法,这里可以直接将xpath表达式直接作用于该函数中

        content_list = [] # 用于存储解析到的数据
        for div in div_list:
            # xpath函数返回的为列表，列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中，需要调用extract()函数将解析的内容从Selecor中取出。
            author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            cont = div.xpath('./a/div/span//text()')[0].extract()

            # 将解析到的内容封装到字典中
            dic = {
                '作者':author,
                '内容':cont
            }
            
            # 将解析到的数据存储到列表中
            content_list.append(dic)
        print(content_list)
        return content_list

 执行爬虫程序:

scrapy crawl <爬虫名称> # 该种执行方式会显示执行的日志
scrapy crawl <爬虫名称> --nolog # 这种执行方式不会显示执行的日志信息