一、背景：近期学习python爬虫技术，感觉挺有趣。由于手动自制爬虫感觉效率低，了解到爬虫界有先进的工具可用，尝试学学scrapy爬虫框架的使用。
二、环境：centos7，python3.7，scrapy1.7.3
三、scrapy原理简述：
1、scrapy框架组成：引擎、调度器、下载器（含下载器中间件）、爬虫组件（spider，含爬虫中间件）、输出管道（item pipelines）
2、scrapy工作过程：
（1）引擎发起爬虫请求，提交给调度器安排任务排序。
（2）调度器安排的下载任务通过引擎提交下载器开展下载任务（发出Quests请求）。
（3）下载器获得的Response通过引擎回到爬虫组件进行内容爬取的处理。（这一步就是人为工作的重点，爬取什么内容，如何爬取等设计需要人为设定控制。）
（4）爬虫组件处理后的数据通过item pipelines组件进行输出，可输出为json、数据库、csv等等格式。（这一步需要根据具体需求，可人为控制输出方案。）
（5）上述过程循环往复，直到预定爬取任务完成。
四、scrapy工程构建过程（以爬取新笔趣阁网站www.xbiquge.com上的《汉乡》小说为例）
1、新建爬虫工程
(base) [python@ELK ~]$ scrapy startproject hanxiang
New Scrapy project 'hanxiang', using template directory '/home/python/miniconda3/lib/python3.7/site-packages/scrapy/templates/project', created in:
/home/python/hanxiang
You can start your first spider with:
cd hanxiang
scrapy genspider example example.com
工程目录结构：
(base) [python@ELK ~]$ tree hanxiang
hanxiang
├── hanxiang
│ ├── __init__.py
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── __pycache__
│ ├── settings.py
│ └── spiders
│ ├── __init__.py
│ └── __pycache__
└── scrapy.cfg
2、进入爬虫工程目录并生成爬虫程序文件
(base) [python@ELK ~]$ cd hanxiang
(base) [python@ELK hanxiang]$ scrapy genspider Hanxiang www.xbiquge.la/15/15158 #注意，爬虫名称不能与工程名称重名；链接不要加http://或https://关键字，链接尾部不要有/符号。
Created spider 'Hanxiang' using template 'basic' in module:
hanxiang.spiders.Hanxiang
(base) [python@ELK hanxiang]$ tree
.
├── hanxiang
│ ├── __init__.py
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── __pycache__
│ │ ├── __init__.cpython-37.pyc
│ │ └── settings.cpython-37.pyc
│ ├── settings.py
│ └── spiders
│ ├── Hanxiang.py
│ ├── __init__.py
│ └── __pycache__
│ └── __init__.cpython-37.pyc
└── scrapy.cfg
在爬虫工程中新生成的文件中，重点是Hanxiang.py的爬虫程序文件。
3、编制爬虫文件和相关的配置文件
（1）修改settings.py文件
(base) [python@ELK hanxiang]$ vi hanxiang/settings.py
# -*- coding: utf-8 -*-
# Scrapy settings for hanxiang project
BOT_NAME = 'hanxiang'
SPIDER_MODULES = ['hanxiang.spiders']
NEWSPIDER_MODULE = 'hanxiang.spiders'
ROBOTSTXT_OBEY = False #爬取不受网站限制
...
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'hanxiang.pipelines.HanxiangPipeline': 300, #启用pipelines功能，300是优先级配置，其取值范围0-1000
}
...
FEED_EXPORT_ENCODING = 'utf-8' #输出编码设置
（2）修改items.py配置（确定需要爬取的内容）
(base) [python@ELK hanxiang]$ vi hanxiang/items.py
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class HanxiangItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
url = scrapy.Field() #需要获取小说的章节链接
preview_page = scrapy.Field() #小说的上一页章节链接
next_page = scrapy.Field() #小说的下一页章节链接
content = scrapy.Field() #小说的章节内容
（3）编制pipelines.py程序，控制输出内容。（目标：把爬取的四个字段内容输出到mysql数据库，以方便后续处理。）
(base) [python@ELK hanxiang]$ vi hanxiang/pipelines.py
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import os
import pymysql
from twisted.enterprise import adbapi
from pymysql import cursors
class HanxiangPipeline(object): #类名是自动生成的，不用更改。
def __init__(self): #定义类初始化动作，包括连接数据库novels和创建hanxiang数据表。
dbparams = {
'host': '127.0.0.1',
'port': 3306,
'user': 'root',
'password': 'password',
'database': 'novels',
'charset': 'utf8'
}
self.conn = pymysql.connect(**dbparams)
self.cursor = self.conn.cursor()
self._sql = None
#建表
def createtable(self):
self.cursor.execute("drop table if exists hanxiang")
self.cursor.execute("create table hanxiang (id int unsigned auto_increment not null primary key, url varchar(50) not null, preview_page varchar(50), next_page varchar(50), content TEXT not null) charset=utf8")
return
#爬取内容写入数据表
def process_item(self, item, spider): #此方法名字也是自动生成，不能更改。
self.cursor.execute(self.sql, (item['url'], item['preview_page'], item['next_page'], item['content'])) #执行sql命令，向hanxiang数据表写入爬取的数据。
self.conn.commit() #需执行commit，数据表内容才会更新。
return item
@property
def sql(self):
if not self._sql:
self._sql = """
insert into hanxiang(id, url, preview_page, next_page, content) values(null, %s, %s, %s, %s)
"""
return self._sql
return self._sql
#从数据库取小说章节内容写入txt文件
def content2txt(self):
self.cursor.execute("select count(*) from hanxiang")
record_num = self.cursor.fetchall()[0][0] #取数据表的总记录数，注意fetchall反馈的是元组
#counts=5 #测试用
counts=record_num
url_c = """ + "http://www.xbiquge.la/15/15158/6873206.html" + """ #第一章的链接变量，需要注意带上双引号，以便提供给sql查询
start_time=time.time() #获取提取小说内容程序运行的起始时间
f = open("汉乡.txt", mode='w', encoding='utf-8')
for i in range(counts):
sql_c = "select content from hanxiang where url=" + url_c #组合获取小说章节内容的sql命令
self.cursor.execute(sql_c)
record_content_c2a0=self.cursor.fetchall()[0][0] #获取小说章节内容
record_content=record_content_c2a0.replace(u'xa0', u'') #消除特殊字符xc2xa0
#print(record_content)
f.write('
')
f.write(record_content + '
')
f.write('
')
sql_n = "select next_page from hanxiang where url=" + url_c #组合获取下一章链接的sql命令
self.cursor.execute(sql_n)
url_c = """ + self.cursor.fetchall()[0][0] + """ #下一章链接地址赋值给url_c，准备下一次循环。
#print(record_content[0][0])
f.close()
print(time.time()-start_time)
return
#爬虫结束，调用content2txt方法，生成txt文件
def close_spider(self,spider):
self.content2txt()
return
（4）编制爬虫主程序Hanxiang.py，爬取设定内容。
(base) [python@ELK hanxiang]$ vi hanxiang/spiders/Hanxiang.py
# -*- coding: utf-8 -*-
import scrapy
from hanxiang.items import HanxiangItem
class HanxiangSpider(scrapy.Spider): #自动生成的爬虫类名
name = 'Hanxiang'
#allowed_domains = ['www.xbiquge.la/15/15158'] #自动生成的爬取页面控制范围（域）
allowed_domains = ['xbiquge.la'] #放宽爬取页面限制，否则，就需要在更深一级发出的Request方法中使用dont_filter=True参数。
def start_requests(self): #方法名称不能变
start_urls = ['http://www.xbiquge.la/15/15158/'] #启动爬取页面应以list方式存放，变量名称不能改变。
for url in start_urls:
yield scrapy.Request(url=url, callback=self.parse) #生成器模式（yield）调用爬虫处理方法parse，效率很高。
def parse(self, response): #方法名称不能变
dl = response.css('#list dl dd') #提取章节链接相关信息
for dd in dl:
self.url_c = "http://www.xbiquge.la" + dd.css('a::attr(href)').extract()[0] #组合形成小说的各章节链接
#print(self.url_c)
#yield scrapy.Request(self.url_c, callback=self.parse_c,dont_filter=True )
yield scrapy.Request(self.url_c, callback=self.parse_c) #以生成器模式（yield）调用parse_c方法获得各章节链接、上一页链接、下一页链接和章节内容信息。
#print(self.url_c)
def parse_c(self, response):
item = HanxiangItem()
item['url'] = response.url
item['preview_page'] = "http://www.xbiquge.la" + response.css('div .bottem1 a::attr(href)').extract()[1]
item['next_page'] = "http://www.xbiquge.la" + response.css('div .bottem1 a::attr(href)').extract()[3]
title = response.css('.con_top::text').extract()[4]
contents = response.css('#content::text').extract()
text=''
for content in contents:
text = text + content
#print(text)
item['content'] = title + "
" + text.replace('15', '
') #各章节标题和内容组合成content数据，15是^M的八进制表示，需要替换为换行符。
yield item #以生成器模式（yield）输出Item对象的内容给pipelines模块。
（5）编制mysql数据库建表程序（）
(base) [python@ELK hanxiang]$ vi createtable.py
# -*-coding:utf-8-*-
from hanxiang.pipelines import HanxiangPipeline
HanxiangPipeline().createtable()
（6）编制txt文件生成程序（此程序可手工运行单独生成txt文件）
(base) [python@ELK hanxiang]$ vi spider2txt.py
# -*- coding:utf-8 -*-
#调用pipelines.py中模块HanxiangPipeline的content2txt方法，生成txt文件
from hanxiang.pipelines import HanxiangPipeline
HanxiangPipeline().content2txt()
4、运行爬虫：
（1）运行建表程序（生成mysql数据表）
(base) [python@ELK hanxiang]$ python createtable.py
（2）运行爬虫主程序（爬取数据写入mysql数据库，并在爬虫结束时，从数据库提取数据按章节顺序生成txt文件。）
(base) [python@ELK hanxiang]$ scrapy runspider hanxiang/spiders/Hanxiang.py
5、运行结果显示
...
'next_page': 'http://www.xbiquge.la/15/15158/6873262.html',
'preview_page': 'http://www.xbiquge.la/15/15158/6873260.html',
'url': 'http://www.xbiquge.la/15/15158/6873261.html'}
2019-08-24 23:50:22 [scrapy.core.engine] INFO: Closing spider (finished)
7.578139305114746
2019-08-24 23:50:30 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 412373,
'downloader/request_count': 1492,
'downloader/request_method_count/GET': 1492,
'downloader/response_bytes': 10242909,
'downloader/response_count': 1492,
'downloader/response_status_count/200': 1492,
'elapsed_time_seconds': 170.554676,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2019, 8, 24, 15, 50, 30, 547474),
'item_scraped_count': 1491,
'log_count/DEBUG': 2983,
'log_count/INFO': 12,
'log_count/WARNING': 1,
'memusage/max': 70201344,
'memusage/startup': 44478464,
'request_depth_max': 1,
'response_received_count': 1492,
'scheduler/dequeued': 1492,
'scheduler/dequeued/memory': 1492,
'scheduler/enqueued': 1492,
'scheduler/enqueued/memory': 1492,
'start_time': datetime.datetime(2019, 8, 24, 15, 47, 39, 992798)}
2019-08-24 23:50:30 [scrapy.core.engine] INFO: Spider closed (finished)
(base) [python@ELK hanxiang]$ ll
...
-rw-rw-r--. 1 python python 11889462 8月 24 23:50 汉乡.txt