Scrapy

【 一 】Scrapy介绍

【0】前言

Scrapy知识预备

​ 爬虫毕竟是在网页里面抓取数据的，因此前端那些东西没学过也要稍微懂点。HTML、CSS简单的语法，Xpath、正则表达式等等，需要有一些简单的基础。

​ Scrapy一个开源和协作的框架，其最初是为了页面抓取（更确切来说，网络抓取）所设计的，使用它可以快速、简单、可扩展的方式从网站中提取所需要的数据。但目前Scrapy的用途十分广泛，可用与如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据（如： Amazon Associatates web services）或者统一的网络爬虫。

Scrapy就是爬虫界的django

【 1 】开源和协作的框架

• 其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，
• 使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。
• 但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
• Scrapy 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。
• 因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。

• Scrapy框架类似于Django框架

（摘自Scrapy官方文档：docs.scrapy.org/en/latest/i…

• https://docs.scrapy.org/en/latest/topics/architecture.htm

【 2 】Scrapy的基本介绍

【1】组件介绍

• Scrapy Engine(引擎) : 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
• Scheduler(调度器) : 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
• Downloader（下载器） ：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
• Spider（爬虫） ：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器).
• Item Pipeline(管道) ：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
• Downloader Middlewares（下载中间件） ：你可以当作是一个可以自定义扩展下载功能的组件。
• Spider Middlewares（Spider中间件） ：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

【2】数据流控制

在Scrapy中，数据流由执行引擎控制，流程如下：

1. 引擎从Spider获取要爬取的初始请求。
2. 引擎将请求安排到调度器中，并请求下一个要爬取的请求。
3. 调度器将下一个要爬取的请求返回给引擎。
4. 引擎将请求发送给下载器，经过下载器中间件。
5. 页面下载完成后，下载器生成一个带有该页面的响应，并将其发送给引擎，此过程会经过下载器中间件。
6. 引擎从下载器接收响应，并将其经过Spider中间件发送给Spider进行处理。
7. Spider处理响应，经过Spider中间件返回抓取的数据项和新的请求。
8. 引擎将处理后的数据项发送到数据管道，然后将处理后的请求发送给调度器，并请求下一个要爬取的请求。
9. 重复上述过程（从步骤3）直到调度器没有更多的请求为止。

其流程可以描述如下：

1. 调度器把requests–>引擎–>下载中间件—>下载器
2. 下载器发送请求，获取响应---->下载中间件---->引擎—>爬虫中间件—>爬虫
3. 爬虫提取url地址，组装成request对象---->爬虫中间件—>引擎—>调度器
4. 爬虫提取数据—>引擎—>管道
5. 管道进行数据的处理和保存

【 3 】小结

1. scrapy的概念：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

2. scrapy框架的运行流程以及数据传递过程：

3. 调度器把requests–>引擎–>下载中间件—>下载器

4. 下载器发送请求，获取响应---->下载中间件---->引擎—>爬虫中间件—>爬虫

5. 爬虫提取url地址，组装成request对象---->爬虫中间件—>引擎—>调度器

6. 爬虫提取数据—>引擎—>管道

7. 管道进行数据的处理和保存

8. scrapy框架的作用：通过少量代码实现快速抓取

9. 掌握scrapy中每个模块的作用：
   引擎(engine)：负责数据和信号在不同模块间的传递 调度器(scheduler)：实现一个队列，存放引擎发过来的request请求对象
   下载器(downloader)：发送引擎发过来的request请求，获取响应，并将响应交给引擎
   爬虫(spider)：处理引擎发过来的response，提取数据，提取url，并交给引擎
   管道(pipeline)：处理引擎传递过来的数据，比如存储
   下载中间件(downloader middleware)：可以自定义的下载扩展，比如设置代理ip
   爬虫中间件(spider middleware)：可以自定义request请求和进行response过滤

10. 理解异步和非阻塞的区别：异步是过程，非阻塞是状态

【 二 】Scrapy框架的基本使用

【1】查看帮助

scrapy -h
scrapy <command> -h

• 第一个命令用于查看全部可用命令的帮助信息
• 第二个命令用于查看特定命令的帮助信息

【2】全局命令和项目命令

• Project-only必须切到项目文件夹下才能执行
• Global的命令则不需要

Global commands:
startproject #创建项目
genspider    #创建爬虫程序
settings     #如果是在项目目录下，则得到的是该项目的配置
runspider    #运行一个独立的python文件，不必创建项目
shell        #scrapy shell url地址  在交互式调试，如选择器规则正确与否
fetch        #独立于程单纯地爬取一个页面，可以拿到请求头
view         #下载完毕后直接弹出浏览器，以此可以分辨出哪些数据是ajax请求
version      #scrapy version 查看scrapy的版本，scrapy version -v查看scrapy依赖库的版本
Project-only commands:
crawl        #运行爬虫，必须创建项目才行，确保配置文件中ROBOTSTXT_OBEY = False
check        #检测项目中有无语法错误
list         #列出项目中所包含的爬虫名
parse        #scrapy parse url地址 --callback 回调函数  #以此可以验证我们的回调函数是否正确
bench        #scrapy bentch压力测试

【1】全局命令（Global commands）

• startproject：创建一个新的 Scrapy 项目。
• genspider：创建一个新的爬虫程序。
• settings：显示一个 Scrapy 项目的配置信息。
• runspider：运行一个独立的 Python 文件作为爬虫，不需要创建项目。
• shell：进入 Scrapy 的交互式调试环境，可以检查选择器规则是否正确。
• fetch：单独请求一个页面，并获取响应结果。
• view：下载指定页面并在浏览器中打开，用于检查通过哪些请求获取数据。
• version：查看当前安装的 Scrapy 版本号。

【2】项目命令（Project-only commands）

• crawl：运行一个 Scrapy 爬虫，必须在项目目录下执行且确保配置文件中的 ROBOTSTXT_OBEY 设置为 False。
• check：检查项目中是否存在语法错误。
• list：列出项目中包含的所有爬虫名称。
• parse：使用回调函数解析给定的 URL，用于验证回调函数是否正确。
• bench：用于对 Scrapy 进行压力测试。

【 3 】创建Scrapy项目

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目**

【1】创建工程

scrapy startproject one

【2】查看文件目录结构

• 在Windows系统中，你可以使用tree命令来显示当前目录及其子目录中的文件结构：

  # tree /F
  

• 在类Unix/Linux系统中，你可以使用tree命令来显示当前目录及其子目录中的文件结构，但需要先安装tree工具。如果没有安装，你可以使用ls命令来显示当前目录中的文件和目录：

  # ls -R
  

• scrapy.cfg
  • 项目的主配置信息，用来部署scrapy时使用，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
  • 数据处理行为
  • 如：一般结构化的数据持久化
• settings.py
  • 配置文件
  • 如：递归的层数、并发数，延迟下载等。强调:配置文件的选项必须大写否则视为无效，正确写法USER_AGENT=‘xxxx’
• spiders
  • 爬虫目录
  • 如：创建文件，编写爬虫规则

【 3 】创建爬虫

​ 要在Scrapy中创建一个爬虫，你可以使用以下命令：

# scrapy genspider <spider_name> <start_url>

​ 其中，<spider_name>是你要创建的爬虫的名称，<start_url>是你要开始爬取的起始URL。

scrapy genspider 命令创建一个新的爬虫时，你需要提供两个参数：

# scrapy genspider example http://example.com

# scrapy genspider jing http://www.baidu.com  

1. 爬虫文件的名字（可以是任何你喜欢的名字）。
2. 要爬取的网站的起始URL

【4】简单测试

import scrapy


class JingSpider(scrapy.Spider):
    # 爬虫文件的唯一标识
    name = "jing"
    # 允许访问的域名
    allowed_domains = ["www.baidu.com"]
    # 起始 的 URL 列表 (重要)
    # 列表内部的 url 都会被框架进行异步请求发送
    start_urls = ["http://www.baidu.com"]

    # 数据解析主函数：自动调用
    # 调用的次数取决于 start_urls 列表内元素的个数
    def parse(self, response):
        # response ： 表示的就是响应对象
        print("response:::", response.text)

【5】启动项目

• 通过指定的命令启动 Scrapy 项目，而非通过文件启动

scrapy crawl jing

【6】优化启动

【1】降低日期等级

• 在 settings.py 文件中添加指定配置项

# 指定输出日志的类型：
LOG_LEVEL = 'ERROR'

【2】不遵循ROBOTS协议

ROBOTSTXT_OBEY = False

【3】以启动文件启动项目

• 每一次终端启动和麻烦，我们可以在项目根目录下新建启动文件
• bin.py:

from scrapy.cmdline import execute


execute(['scrapy', 'crawl', '自定义爬虫文件名', "--nolog"])

【 三 】Scrapy框架之数据解析

【1】项目执行流程简解

• 启动爬虫：
  • 开始执行爬虫程序。
• 创建Request对象：
  • 将start_urls地址包装成request对象，其中包含待爬取的网页链接、回调函数等信息。
• 交给引擎：
  • 将创建好的request对象交给引擎进行处理。
• 调度器排队：
  • 引擎将请求交给调度器，调度器按照一定的策略（如先进先出）将请求放入队列中进行排队。
• 引擎处理：
  • 引擎从调度器中取出请求，并选择合适的下载中间件进行处理。
• 下载器处理：
  • 下载器根据请求中的链接发起网络请求，下载相应的页面内容，并将下载结果返回给引擎。
• 下载完成：
  • 下载器将网页内容下载完成后，将下载结果返回给引擎。
• 引擎传递给爬虫：
  • 引擎将下载结果传递给相应的爬虫解析函数（例如parse函数）进行处理。
• 爬虫解析：
  • 爬虫解析函数对下载下来的网页内容进行解析，提取出需要的数据，并生成新的Request对象或是Item对象。
• 回到步骤2：
  • 解析函数可以继续生成新的Request对象，或是处理Item对象
  • 然后回到步骤2，继续执行后续的请求和解析过程。

【2】Xpath解析器

【1】概览

• Scrapy xpath语法，Xpath是XML Path的简介，基于XML树状结构，可以在整个树中寻找锁定目标节点。由于HTML文档本身就是一个标准的XML页面，因此我们可以使用XPath的语法来定位页面元素。

【2】路径表达式

• 示例

【3】谓语

• 谓语被嵌在方括号内，用来查找某个特定的节点或包含某个制定的值的节点