1. Scrapy 简介

Scrapy 是一套用 python 编写的异步爬虫框架，基于 twisted 实现，运行于 linux/windows/macOS 等多种环境，具有速度快、扩展性强、使用简便等特点。

Scrapy 可以在本地运行，也能部署到云端（scrapyd）实现真正的生产级数据采集系统。

Scrapy Engine（引擎）：Scrapy框架的核心部分，负责在Spider和ItemPipeline、Downloader、Scheduler之间通信、传递数据等。
Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是我们开发者自己写的，因为要爬取哪些链接，页面中的哪些数据是我们需要的，都是由程序员自己决定。
Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。
Downloader（下载器）：负责接收引擎传过来的下载请求，然后去网络上下载对应的数据再交还给引擎。
Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者自己的需求。
Downloader Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。
Spider Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。

Scrapy 框架的执行顺序：

Spiders 的 yeild 将 request 发送给 Engine；
Engine 对request 不做任何处理发送给 Scheduler；
Scheduler 生成 request交给 Engine；
Engine 拿到 request，通过 Middleware 进行层层过滤发送给 Downloader；
Downloader 在网上获取到 response 数据之后，又经过 Middleware 进行层层过滤发送给 Engine；
Engine 获取到 response 数据之后，返回给 Spiders，Spiders 的 parse() 方法对获取到的 response 数据进行处理，解析出 items 或者 requests；
将解析出来的 items 或者 requests 发送给 Engine；
Engine 获取到 items 或者 requests，将 items 发送给Iitem Pipelines，将 requests 发送给Scheduler。
注意！只有当 Scheduler 中不存在任何 request 了，整个程序才会停止（也就是说，对于下载失败的 url，scrapy 也会重新下载）。

示例：

引擎：Hi！Spider, 你要处理哪一个网站？
Spider：老大要我处理xxxx.com。
引擎：你把第一个需要处理的URL给我吧。
Spider：给你，第一个URL是xxxxxxx.com。
引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的request请求给我。
调度器：给你，这是我处理好的request。
引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求。
下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）。
引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿 responses 默认是交给 parse() 这个函数处理的）。
Spider：（处理完毕数据之后对于需要跟进的URL）Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
引擎：Hi！管道，我这儿有个item你帮我处理一下。Hi！调度器，这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
管道&调度器：好的，现在就做！

2. Scrapy 项目开发介绍

pip install scrapy
pip install -i https://pypi.douban.com/simple/ scrapy

可以使用命令行来新建一个爬虫工程，这个工程会自动按照scrapy的结构创建一个工程目录。

创建项目：scrapy startproject xxx（项目名字，不区分大小写）
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
启动程序的py文件（start.py）：等同于此命令（scrapy crawl xxx -o xxx.json）

示例：创建项目

1）在e盘下新建一个目录：scrapy_crawler

2）在cmd进入目录：scrapy_crawler，然后执行scrapy startproject tutorial（给工程起名为tutorial），执行后会在scrapy_crawler创建好爬虫的工程，目录名为：tutorial

3）进入 tutorial 目录，执行命令：scrapy genspider sohu www.sohu.com（给爬虫文件起名，并设定种子URL）

以上三步执行完毕，则工程的框架建立完毕。后续需要你自己实现爬虫分析和保存的逻辑。目录结构如下图：

json格式，默认为Unicode编码：scrapy crawl 项目名 -o 项目名.json
json lines格式，默认为Unicode编码：scrapy crawl 项目名 -o 项目名.jsonlines
csv 逗号表达式，可用Excel打开：scrapy crawl 项目名 -o 项目名.csv
xml格式：scrapy crawl 项目名 -o 项目名.xml

因为使用的yield，而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型；
如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其他类型则返回错误信息；
scrapy取到第一部分的request不会立马就去发送这个request，只是把这个request放到队列里，然后接着从生成器里获取；
取尽第一部分的request，然后再获取第二部分的item，取到item了，就会放到对应的pipeline里处理；
Parse()方法作为回调函数(callback)赋值给了Request，指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse)；
Request对象经过调度，执行生成 scrapy.http.response()的响应对象，并送回给parse()方法，直到调度器中没有Request（递归的思路）；
取尽之后，parse()工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作；
程序在取得各个页面的items前，会先处理完之前所有的request队列里的请求，然后再提取items；
这一切的一切，Scrapy引擎和调度器将负责到底。

3. Scrapy 项目代码示例

必选配置项

1 BOT_NAME = 'tutorial'
2
3
4
5 SPIDER_MODULES = ['tutorial.spiders']
6
7 NEWSPIDER_MODULE = 'tutorial.spiders'
8
9
10
11 ROBOTSTXT_OBEY = False # 若抓不到东西，就设置为True
12
13
14 # 取消下述注释行
15 ITEM_PIPELINES = {
16
17 'tutorial.pipelines.TutorialPipeline': 300,
18
19 }

可选配置项

# CONCURRENT_REQUESTS_PER_DOMAIN = 16 # 每个域名，同时并发的请求次数限制

# CONCURRENT_REQUESTS_PER_IP = 16 # 每个IP，同时并发的请求次数限制

# CONCURRENT_REQUESTS = 32 # 框架最大的并发请求数量，针对多个域名和多个ip的一个并发请求上限

1 # Define here the models for your scraped items
2
3 #
4
5 # See documentation in:
6
7 # https://docs.scrapy.org/en/latest/topics/items.html
8
9
10 import scrapy
11
12
13 class TutorialItem(scrapy.Item):
14
15 # define the fields for your item here like:
16
17 # name = scrapy.Field()
18
19 URL = scrapy.Field() # 存放当前网页地址
20
21 TITLE = scrapy.Field() # 存放当前网页title，格式类似于：百度一下
22
23 H1 = scrapy.Field() # 存放一级标题
24
25 TEXT = scrapy.Field() # 存放正文

拿到每个网页的页面源码
拿到网页源码中的url
把网页源码中要的4个数据都存到一个类似字典格式的字符串
把抓取的结果发给pipelines做持久化
把新获取的url通过递归的方式，进行抓取

1 import scrapy
2 import re,os
3 from tutorial.items import TutorialItem
4 from scrapy import Request
5
6
7 class SohuSpider(scrapy.Spider):
8
9 name = 'sohu' # 项目名称
10 # allowed_domains = ['www.sohu.com'] # 如果指定爬虫作用范围，则作用于首页之后的页面
11 start_urls = ['http://www.sohu.com/'] # 开始url
12
13 def parse(self, response):
14 # response：网页源码对象
15 # 从源码对象中获取/html下的所有标签内容，拿到了所有网页的源码
16 all_urls = re.findall('href="(.*?)"',response.xpath("/html").extract_first())
17 for url in all_urls:
18 # 每生成这个对象，就可以存储一组4个数据
19 item = TutorialItem()
20 if re.findall("(\.jpg)|(\.jpeg)|(\.gif)|(\.ico)|(\.png)|(\.js)|(\.css)$",url.strip()):
21 pass # 去掉无效链接
22 elif url.strip().startswith("http") or url.strip().startswith("//"):
23 temp_url = url.strip() if url.strip().startswith('http') else 'http:' + url.strip() # 三目运算符获取完整网址
24 item = self.get_all(item,response)
25 # 判断item中存在正文且不为空，页面一级标题不为空
26 if 'TEXT' in item and item['TEXT'] != '' and item['TITLE'] != '':
27 yield item # 发送到管道
28 print('发送<' + temp_url + '>到下载器') # 提示
29 yield Request(temp_url,callback=self.parse) # 递归调用，实现了不断使用新的url进行下载
30
31 # 自定义封装的方法：从网页中提取4个要爬取的内容放到类似字典item的里面
32 def get_all(self,item,response):
33 # 获取当前页面的网址、title、一级标题、正文内容
34 item['URL'] = response.url.strip()
35 item['TITLE'] = response.xpath('/html/head/title/text()').extract()[0].strip()
36 contain_h1 = response.xpath('//h1/text()').extract() # 获取当前网页所有一级标题
37 contain= contain_h1[0] if len(contain_h1) !=0 else "" # 获取第一个一级标题
38 item["H1"] = contain.strip()
39 main_text = []
40 # 遍历网页中所有p标签和br标签的内容
41 for tag in ['p','br']:
42 sub_text = self.get_content(response,tag)
43 main_text.extend(sub_text)
44 # 对正文内容去重并判断不为空
45 main_text = list(set(main_text))
46 if len(main_text) != 0:
47 item['TEXT'] = '\n'.join(main_text)
48 return item
49
50 def get_content(self,response,tag):
51 # 判断只有大于100个文字的内容才保留
52 main_text = []
53 contexts = response.xpath('//'+tag+'/text()').extract()
54 for text in contexts:
55 if len(text.strip()) > 100:
56 main_text.append(text.strip())
57 return main_text

1 # Define your item pipelines here
2
3 #
4
5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
6
7 # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
8
9 import json
10
11
12 class TutorialPipeline(object):
13
14 def __init__(self):
15 # 存爬取数据的文件句柄
16 self.filename = open("content.txt",'w',encoding="utf-8")
17 # 集合对象，用于去重爬取数据
18 self.contain = set()
19
20 # 数据怎么存
21 def process_item(self, item, spider):
22 # item：爬取来的数据
23 # 抓取后的数据，包含中文的话，可以直接看到正文。等价于text= str(item)
24 text = json.dumps(dict(item),ensure_ascii=False) + '\n'
25 # 把json串转换为字典
26 text_dict = eval(text)
27 # 用字典去取数据
28 if text_dict['URL'] not in self.contain: # 抓取到新网页，并写入文件
29 # 判断url是否被抓取过，如果没有被抓取过，就存到文件里面
30 for _,targetName in text_dict.items():
31 # 实现存储数据的逻辑
32 # 网页正文包含“人”才会保存，
33 # “人”是我们想抓取页面的核心关键词，可以换成其它关键词
34 if "人" in targetName:
35 # 有的话，把这个字典写到文件里面
36 self.write_to_txt(text_dict)
37 # 避免重复写入
38 break
39 # 每次记录文件后把网页url写入集合，重复的url会自动过滤掉
40 self.contain.add(text_dict['URL'])
41 # 表示item处理完了
42 return item
43
44
45 # 爬虫关掉时，把文件关掉
46 def close_spider(self,spider):
47 self.filename.close()
48
49 # 具体把字典写入到文件的方法
50 def write_to_txt(self,text_dict):
51
52 # 把抓取到的内容写入文件中
53 for key,value in text_dict.items():
54 self.filename.write(key+"内容:\n"+value+'\n')
55 self.filename.write(50*'='+'\n')