Scrapy是用純Python實現一個為了爬取網站數據、提取結構性數據而編寫的應用框架，用途非常廣泛。

框架的力量，用戶只需要定制開發幾個模塊就可以輕松的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。

Scrapy 使用了 Twisted(其主要對手是Tornado)多線程異步網絡框架來處理網絡通訊，可以加快我們的下載速度，不用自己去實現異步框架，并且包含了各種中間件接口，可以靈活的完成各種需求。

1 Scrapy架構圖(綠線是數據流向)

Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間通訊，信號、數據傳遞等。

Scheduler(調度器): 它負責接受引擎發送過來的Request請求，并按照一定的方式進行整理排隊，當引擎需要時，交還給引擎。

Downloader(下載器)：負責下載Scrapy Engine(引擎)發送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理.

Spider(爬蟲)：它負責處理所有Responses,從中分析提取數據，獲取Item字段需要的數據，并將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

Item Pipeline(管道)：負責處理Spider中獲取到的Item，并進行后期處理(分析、過濾、存儲等)地方.

Downloader Middlewares(下載中間件)：你可以當作是一個可以自定義擴展下載功能的組件。

Spider Middlewares(Spider中間件)：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件(比如進入Spider的Responses;和從Spider出去的Requests)

2 Scrapy的運作流程

代碼寫好，程序開始運行...

引擎：Hi！Spider, 你要處理哪一個網站？

Spider：老大要我處理xxxx.com。

引擎：你把第一個需要處理的URL給我吧。

Spider：給你，第一個URL是xxxxxxx.com。

引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

調度器：好的，正在處理你等一下。

引擎：Hi！調度器，把你處理好的request請求給我。

調度器：給你，這是我處理好的request

引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

下載器：好的！給你，這是下載好的東西。(如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載)

引擎：Hi！Spider，這是下載好的東西，并且已經按照老大的下載中間件處理過了，你自己處理一下(注意！這兒responses默認是交給def parse()這個函數處理的)

Spider：(處理完畢數據之后對于需要跟進的URL)，Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。

引擎：Hi ！管道我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環，直到獲取完老大需要全部信息。

管道``調度器：好的，現在就做！

注意！只有當調度器中不存在任何request了，整個程序才會停止，(也就是說，對于下載失敗的URL，Scrapy也會重新下載。)

3 Scrapy的安裝介紹

1、安裝wheel pip3 install wheel

2、安裝lxml pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl

3、安裝pyopenssl (已安裝就不需要安裝)

4、安裝Twisted pip3 install Twisted-18.4.0-cp36-cp36m-win_amd64.whl

5、安裝pywin32 pip3 install pypiwin32

6、安裝scrapy pip3 install scrapy

或者pip3 install Scrapy-1.5.0-py2.py3-none-any.whl

Windows 安裝方式

Python 2 / 3

升級pip版本：

pip install --upgrade pip

通過pip 安裝 Scrapy 框架

pip install Scrapy

Ubuntu 需要9.10或以上版本安裝方式

Python 2 / 3

安裝非Python的依賴

sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

通過pip 安裝 Scrapy 框架

sudo pip install scrapy

安裝后，只要在命令終端輸入 scrapy，提示類似以下結果，代表已經安裝成功

具體Scrapy安裝流程參考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes里面有各個平臺的安裝方法

4 制作 Scrapy 爬蟲 一共需要4步：

新建一個新的爬蟲項目

scrapy startproject mySpider

進入該目錄 cd mySpider

scrapy genspider stack http://stackoverflow.com/ #創建一個爬蟲stack 指定爬取路徑

明確目標 (編寫items.py)：明確你想要抓取的目標(目標信息采用類與字段的方式實現)

制作爬蟲 (spiders/xxspider.py)：制作爬蟲開始爬取網頁(實現主要邏輯地方,并返回item)

存儲內容 (pipelines.py)：設計管道存儲爬取內容(接受item,一般重寫幾個常用的方法(open_spider,process_item,close_spider)

啟動爬蟲項目

命令啟動: scrapy crawl spidername(爬蟲名)

文件啟動

from scrapy import cmdline

# 方式一：注意execute的參數類型為一個列表

cmdline.execute('scrapy crawl spidername'.split())

# 方式二:注意execute的參數類型為一個列表

cmdline.execute(['scrapy', 'crawl', 'spidername'])

5 入門案例

一. 新建項目(scrapy startproject)

在開始爬取之前，必須創建一個新的Scrapy項目。進入自定義的項目目錄中，運行下列命令：

scrapy startproject mySpider

其中， mySpider 為項目名稱，可以看到將會創建一個 mySpider 文件夾，目錄結構大致如下：

下面來簡單介紹一下各個主要文件的作用：

scrapy.cfg ：項目的配置文件

mySpider/ ：項目的Python模塊，將會從這里引用代碼

mySpider/items.py ：項目的目標文件

mySpider/pipelines.py ：項目的管道文件

mySpider/settings.py ：項目的設置文件

mySpider/spiders/ ：存儲爬蟲代碼目錄

二、明確目標(mySpider/items.py)

我們打算抓取：http://bbs.tianya.cn/post-140-393968-1.shtml 網站里的郵箱。

打開mySpider目錄下的items.py

Item 定義結構化數據字段，用來保存爬取到的數據，類似dict，但是提供了一些額外的保護減少錯誤。

可以通過創建一個 scrapy.Item 類， 并且定義類型為 scrapy.Field的類屬性來定義一個Item(可以理解成類似于ORM的映射關系)。

接下來，創建一個TianyaItem類，和構建item模型(model)。

import scrapy

class TianyaItem(scrapy.Item):

email = scrapy.Field() #只定義爬取email字段

三、制作爬蟲 (spiders/itcastSpider.py)

爬蟲功能要分兩步：

1. 爬數據

在當前目錄下輸入命令

scrapy genspider mytianya "bbs.tianya.cn" #指定爬蟲文件名 爬取的域名

打開 mySpider/spider目錄里的 mytianya .py，默認增加了下列代碼:

import scrapy

import re

from tianya import items

class MytianyaSpider(scrapy.Spider):

name = 'mytianya'

allowed_domains = ['bbs.tianya.cn']

start_urls = ['http://bbs.tianya.cn/post-140-393977-1.shtml']

#主要的邏輯模塊

def parse(self, response):

pass

其實也可以由我們自行創建itcast.py并編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩

要建立一個Spider， 你必須用scrapy.Spider類創建一個子類，并確定了三個強制的屬性 和 一個方法。

name = ""：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

allow_domains = []是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

start_urls = ()：爬取的URL元組/列表。爬蟲從這里開始抓取數據，第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成. 將start_urls的值修改為需要爬取的第一個url.

parse(self, response)：解析的方法，每個初始URL完成下載后將被調用，調用的時候傳入從每一個URL傳回的Response對象來作為唯一參數，主要作用如下：

負責解析返回的網頁數據(response.body)，提取結構化數據(生成item)

生成需要下一頁的URL請求。

修改parse()方法

def parse(self, response):

html = response.body.decode()

# [email?protected]

email = re.compile(r"([A-Z0-9_]+@[A-Z0-9]+\.[A-Z]{2,4})", re.I)

emailList = email.findall(html)

mydict = []

for e in emailList:

item = items.TianyaItem()

item["email"] = e

# mydict[e] = "http://bbs.tianya.cn/post-140-393977-1.shtml"

mydict.append(item)

return mydict

然后運行一下看看，在mySpider目錄下執行：

scrapy crawl mytianya

2.保存數據

scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，，命令如下：

scrapy crawl mytianya -o mytianya.json

scrapy crawl mytianya -o mytianya.csv

scrapy crawl mytianya -o mytianya.xml

yield 在這里的作用：

def parse(self, response):

html = response.body.decode()

# [email?protected]

email = re.compile(r"([A-Z0-9_]+@[A-Z0-9]+.[A-Z]{2,4})", re.I)

emailList = email.findall(html)

mydict = []

for e in emailList:

item = items.TianyaItem()

item["email"] = e

yield mydict #得到生成器對象,每循環一次,返回一個item

總結

以上是生活随笔為你收集整理的java启动scrapy爬虫,爬虫入门之Scrapy 框架基础功能(九)详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。