Python爬虫学习第十二天—scrapy学习

一、scrapy的概念和流程

1、scrapy概念

Scrapy是一个Python编写的开源网络爬虫框架，它是一个被设计用于爬取网络数据、提取结构性数据的框架。

Scrapy文档地址：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

2、scrapy工作流程

其流程可以描述如下：
	1.爬虫中起始的url构造成request对象-->爬虫中间件-->引擎-->调度器
	2.调度器把request-->引擎-->下载中间件--->下载器
	3.下载器发送请求，获取response响应---->下载中间件---->引擎--->爬虫中间件--->爬虫
	4.爬虫提取url地址，组装成request对象---->爬虫中间件--->引擎--->调度器，重复步骤2
	5.爬虫提取数据--->引擎--->管道处理和保存数据
注意：
	图中中文是为了方便理解后加上去的
	图中绿色线条的表示数据的传递
	注意图中中间件的位置，决定了其作用
	注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互

2.1 scrapy的三个内置对象

request请求对象：由url method post_data headers等构成。
response响应对象：由url body status headers等构成。
item数据对象：本质是个字典。

2.2 scrapy中每个模块的具体作用

二、scrapy的入门使用

1、安装scrapy

centos 7：pip/pip3 install scrapy
ubuntu: sudo apt-get install scrapy

2、scrapy项目开发流程

1、创建项目
	scrapy startproject mySpider
2、生成一个爬虫，需要进入项目目录后执行如下命令；
	scrapy genspider douluodalu ibiquge.la
3、提取数据
	spider中实现数据采集相关内容。
4、保存数据
	利用管道pipeline来处理(保存)数据。

3、创建项目

通过命令将scrapy项目的的文件生成出来；
创建scrapy 项目的命令：
	scrapy start project <项目名称>

示例：
	scrapy startproject lufeitest

生成目录如下：

4、创建爬虫

进入项目目录：cd lufeitest/
执行命令：scrapy genspider <爬虫名称>  <允许爬取的域名>
	爬虫名字: 作为爬虫运行时的参数
	允许爬取的域名: 为对于爬虫设置的爬取范围，设置之后用于过滤要爬取的url，如果爬取的url与允许的域不通则被过滤掉。

示例：
	cd lufeitest/
	scrapy genspider csdntest www.csdn.net

5、完善爬虫

在上一步生成出来的爬虫文件中编写指定网站的数据采集操作，实现数据提取。
步骤如下：
	01、修改起始URL；
	02、检查修改允许的域名；
	03、在parse方法中实现爬取逻辑；

5.1 在./lufeitest/lufeitest/spiders/csdntest.py中修改内容

生成的初始内容如下：

class CsdntestSpider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.cn']   # 02、检查域名
    start_urls = ['https://www.itcast.cn/channel/teacher.shtml#ajavaee']   # 01、修改起始URL

    # 03、在parse方法中实现爬取逻辑
    def parse(self, response):
        # 定义对于网站的相关操作

        # 获取老师节点列表；
        node_list = response.xpath('//div[@class="li_txt"]')
        # print(len(node_list))
        # 遍历老师节点列表
        for node in node_list:
            ter_temp = {}

            # xpath方法返回的是选择器对象列表
            # ter_temp['name'] = node.xpath('./h3/text()')[0].extract()   # extract()从xpath选择器对象中提取数据,但是当前面选择器输出的内容为空列表时，会报错。当列表值为多个时建议使用extract().
            # ter_temp['jibie'] = node.xpath('./h4/text()')[0].extract()
            # ter_temp['jianjie'] = node.xpath('./p/text()')[0].extract()

            ter_temp['name'] = node.xpath('./h3/text()').extract_first()   # extract_first()当前面的选择器为空列表时，其不会报错，会显示值为None，如果不是空列表，会拿到第一个结果。当前面列表只有一个值时，建议使用extract_first().
            ter_temp['jibie'] = node.xpath('./h4/text()').extract_first()
            ter_temp['jianjie'] = node.xpath('./p/text()').extract_first()

            # print(ter_temp)

            yield ter_temp   # scrapy返回数据，通常使用yield，好处是可以实现翻页操作。所以不使用return返回数据

注意点：
	1、scrapy.Spider爬虫类中必须有名为parse的解析
	2、如果网站结构层次比较复杂，也可以自定义其他解析函数
	3、在解析函数中提取的url地址如果要发送请求，则必须属于allowed_domains范围内，但是start_urls中的url地址不受这个限制，我们会在后续的课程中学习如何在解析函数中构造发送请求
	4、启动爬虫的时候注意启动的位置，是在项目路径下启动
	5、parse()函数中使用yield返回数据，注意：解析函数中的yield能够传递的对象只能是：BaseItem, Request, dict, None

5.2 定位元素以及提取数据、属性值的方法

解析并获取scrapy爬虫中的数据: 利用xpath规则字符串进行定位和提取

	response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
	额外方法extract()：返回一个包含有字符串的列表
	额外方法extract_first()：返回列表中的第一个字符串，列表为空没有返回None

5.3 response响应对象的常用属性

	response.url：当前响应的url地址
	response.request.url：当前响应对应的请求的url地址
	response.headers：响应头
	response.requests.headers：当前响应的请求头
	response.body：响应体，也就是html代码，byte类型
	response.status：响应状态码

6、保存数据

利用管道pipeline来处理（保存）数据。

6.1 在pipelines.py文件中对数据操作

1、定义一个管道类
2、重写管道类process_item方法
3、process_item方法处理万item之后必须返回给引擎。

示例1：直接打印数据
	import json

	class LufeitestPipeline:
	    # 爬虫文件中提取数据的方法每yield一次item，就会运行一次
	    # 该方法为固定名称函数
	    def process_item(self, item, spider):
	        print(item)
	        return item

示例2：将数据写入文件

	import json
	
	class LufeitestPipeline:
	
	    def __init__(self):   # 创建并打开文件
	        self.file = open('itcast.jsons','w')
	
	    def process_item(self, item, spider):
	
	        # 爬虫文件中提取数据的方法每yield一次item，就会运行一次
	        # 该方法为固定名称函数
	        print('itcast',item)   # 直接打印
	
	        # 将数据序列化
	        json_data = json.dumps(item,ensure_ascii=False) + ',\n'   # ",\n"加上换行符,ensure_ascii=False转换为中文。
	
	        # 将序列化的数据写入文件
	        self.file.write(json_data)
	
	        return item
	
	    def __del__(self):   # 关闭文件
	        self.file.close()

6.2 在settings.py配置启用管道

	ITEM_PIPELINES = {
	   'lufeitest.pipelines.LufeitestPipeline': 300,
	}

说明：
	配置项中键为使用的管道类，管道类使用.进行分割，第一个为项目目录，第二个为文件，第三个为定义的管道类。
	配置项中可以设置多个管道类；
	配置项中值为管道的使用顺序，设置的数值约小越优先执行，该值一般设置为1000以内。

7. 运行scrapy

命令：在项目目录下执行scrapy crawl <爬虫名字>
示例：scrapy crawl itcast   或scrapy crawl itcast --nolog