（1）Scrapy模块安装

scrapy支持Python2.7和python3.4以上版本。

python包可以用全局安装（也称为系统范围），也可以安装在用户空间中。

Windows
一.直接安装
1.在https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应的Twisted的版本文件
2. 在命令行进入到Twisted的目录 执行pip install 加Twisted文件名

3.执行pip install scrapy
二.annaconda 下安装 （官方推荐）
1.安装conda
conda旧版本 https://docs.anaconda.com/anaconda/packages/oldpkglists/
安装方法 https://blog.csdn.net/ychgyyn/article/details/82119201
2. 安装scrapy conda install scrapy

（2）Scrapy框架简介

Scrapy是纯Python开发的一个高效,结构化的网页抓取框架。

Scrapy是个啥？

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。 其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，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用途广泛,可以用于数据挖掘、监测和自动化测试 Scrapy使用了Twisted 异步网络库来处理网络通讯。

我们为啥要用这玩意呢？

1.为了更利于我们将精力集中在请求与解析上。
2.企业级的要求。

（3）运行流程

（只要提到框架，就要重视它的运行流程/逻辑顺序）

引入：

举个粟子：
大一新生小明开学，他先到新生接待处等待，老学长学姐（管理人员）看到了就会上前询问你需要帮忙嘛？小明正愁不知道该干啥，就说我是来报道的大一新生，管理人员听了就会将你的信息进行排队，等排队到了小明之后，就会将这个号给到管理人员。
然后，管理人员将这个号给到报到处，报到处安排小明的在校信息，比如：班级，宿舍…并将这些信息返还给管理人员。管理人员得到之后会再将这些信息给小明这个大一新生，让小明核对下这些是不是自己所需的，经小明认真核对之后发现都是自己想要的，小明跟管理人员说：我已经确认过了就这样哦！
最后，管理人员就会将这些信息交到信息管理处进行存储。

注意：图中的弧线的意义：
如果，在小明拿到信息核对之后发现这些不是自己所需的，那么，小明就会告诉管理人员，这些不是我所要的，我要重新请求一下别的东西，然后管理人员就就会将小明进行重新排队！！！

1.进入正题：

（
spiders网页爬虫
items项目
engine引擎
scheduler调度器
downloader下载器
item pipelines项目管道
middleware中间设备，中间件
）

数据流：
上图显示了Scrapy框架的体系结构及其组件，以及系统内部发生的数据流（由红色的箭头显示。）
Scrapy中的数据流由执行引擎控制,流程如下：

首先从网页爬虫获取初始的请求
将请求放入调度模块，然后获取下一个需要爬取的请求
调度模块返回下一个需要爬取的请求给引擎
引擎将请求发送给下载器，依次穿过所有的下载中间件
一旦页面下载完成，下载器会返回一个响应包含了页面数据，然后再依次穿过所有的下载中间件。
引擎从下载器接收到响应，然后发送给爬虫进行解析，依次穿过所有的爬虫中间件
爬虫处理接收到的响应，然后解析出item和生成新的请求，并发送给引擎
引擎将已经处理好的item发送给管道组件，将生成好的新的请求发送给调度模块，并请求下一个请求
该过程重复，直到调度程序不再有请求为止。

中间件介绍:

(1)下载中间件
下载中间件是位于引擎和下载器之间的特定的钩子，它们处理从引擎传递到下载器的请求，以及下载器传递到引擎的响应。
如果你要执行以下操作之一，请使用Downloader中间件：
在请求发送到下载程序之前处理请求（即在scrapy将请求发送到网站之前）
在响应发送给爬虫之前
直接发送新的请求，而不是将收到的响应传递给蜘蛛
将响应传递给爬行器而不获取web页面;
默默的放弃一些请求

(2)爬虫中间件
爬虫中间件是位于引擎和爬虫之间的特定的钩子，能够处理传入的响应和传递出去的item和请求。
如果你需要以下操作请使用爬虫中间件：
处理爬虫回调之后的请求或item
处理start_requests
处理爬虫异常
根据响应内容调用errback而不是回调请求

2.各个组件介绍：

Scrapy Engine(引擎)
引擎负责控制系统所有组件之间的数据流，并在发生某些操作时触发事件。

scheduler（调度器)
调度程序接收来自引擎的请求，将它们排入队列，以便稍后引擎请求它们。

Downloader（下载器)
下载程序负责获取web页面并将它们提供给引擎，引擎再将它们提供给spider。

spider（爬虫）
爬虫是由用户编写的自定义的类，用于解析响应，从中提取数据，或其他要抓取的请求。

Item pipeline（管道)
管道负责在数据被爬虫提取后进行后续处理。典型的任务包括清理，验证和持久性（如将数据存储在数据库中）

（3）简单使用

1.基操（简单的项目命令）！

（1）创建项目：

（
小知识点：<>为必填项；[]为选填项！
小技巧1：pycharm终端输入scrapy可以查看一些帮助，有助于我们写那些难记的命令！
小技巧2：scrapy+命令关键字，可以查看有关于此命令的详细用法！
）

1.首先：
cd+要放scrapy项目的文件夹路径

2.第二步：
通过scrapy命令可以很方便的新建scrapy项目。

语法格式：scrapy startproject [project_dir]

该命令会在project_dir文件加下创建一个名为project_name的Scrapy新项目。如果project_dir没有指定，project_dir与project_name相同。
执行命令：
scrapy startproject baidu
之后会在指定文件夹创建如下文件：

（2）创建爬虫文件

{
创建一个bdSpider的类，它必须继承scrapy.Spider类，需要定义以下三个属性：
name: spider的名字，必须且唯一
start_urls: 初始的url列表
parse(self, response) 方法：每个初始url完成之后被调用。这个函数要完成一下两个功能：
解析响应，封装成item对象并返回这个对象
提取新的需要下载的url，创建新的request，并返回它

我们也可以通过命令创建爬虫

语法格式：scrapy genspider [-t template]
运行命令：scrapy genspider bd www.baidu.com
会在spiders文件下生成bd.py文件
}
1.首先：
cd 到项目下
2.第二步：
scrapy genspider [options]
scrapy genspider bd www.baidu.com
会创建在项目/spider下 ;其中bd 是爬虫文件名, www.baidu.com 是 url（域名）
执行命令：
scrapy genspider bd www.baidu.com
之后再项目/spider下创建的文件为：

# -*- coding: utf-8 -*-
import scrapy


class BdSpider(scrapy.Spider):          #继承了scrapy.Spider类
    name = 'bd'                         #名字是唯一的（不重复）  因为我们在启动项目的时候，是根据这个名字来找爬虫文件的
    allowed_domains = ['www.baidu.com'] #允许的域名 （限制）    可以没有这个限制！
    start_urls = ['http://www.baidu.com/']  #首个请求（必须要有）  不然开始都开始不了，怎么让整个框架运行下去呢！

    def parse(self, response):           #必须是parse函数  不可以乱改名  接收下载器下载的数据
        print("*******")		#用于更直观的观察框架能否正常运行！
        print("*******")
        print("*******")
        print("*******")
        print("*******")
        print("*******")
        print(response)         #response对象
        #获取数据   两种方法：
        print(response.body.decode())   #获取到的是字节码形式
        # print(response.text)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

注意：最后引擎给spider模块的数据就给到了函数parse里的形参response：

（3）运行爬虫文件

一步即可：
scrapy crawl [options]
其中spider是爬虫文件名

执行命令：
scrapy crawl bd

但是！我们运行爬虫文件之后，发现用于测试的print函数没有显示，经过检查终端输出的数据可知Scrapy框架是默认遵循robots协议的，所以咱们肯定获取不到数据了！！！

如何解决这个问题呢？

打开设置文件settings.py，将其中的以下代码更改为False即可！

# Obey robots.txt rules
ROBOTSTXT_OBEY = True
1
2

---

拓展：第二种运行scrapy的方法！

cd 到爬虫模块spiders文件夹下，运行命令：
	scrapy runspider 爬虫py文件名
注意：爬虫py文件名要带.py后缀！
1
2
3

高级拓展：（注意：以上两种运行scrapy框架的方法都无法进行debug，非常不方便！万一出问题了，岂不是很难找！！！所以：推出第三种启动scrapy框架的方法-----django在创建项目的时候自动生成一个启动项目的py文件【manage.py或者main.py】，而scrapy框架没有，但是我们可以自己定义呀！！！！！）

1.在项目文件夹下创建名为main.py或者manage.py的py文件：
1

2.在此py文件下编写代码如下：

from scrapy.cmdline import execute
import sys
import os

# 保证终端执行  "scrapy", "crawl", "bd" 这个命令运行不出现路径问题！（可以不写！）
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(["scrapy", "crawl", "bd"])



3.现在，我们可以直接运行这个py文件，会发现会和前两种方法一样运行scrapy框架；而且，强大的是：我们还可以通过debug此py文件达到调试此scrapy框架的作用！！！
1
2
3
4
5
6
7
8
9
10
11
12
13

---

（2）实操（豆瓣电影top250首页电影信息的获取！）

1.创建项目：

scrapy startproject douban

2.创建爬虫文件：

scrapy genspider db www.summer.com
（注意：这个域名是可以随便写的【但是必须要写哦！】，等爬虫文件生成之后再进相应的爬虫文件改为我们所需的即可！）

# -*- coding: utf-8 -*-
import scrapy


class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print("*********")
        print(response.text)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

3.运行爬虫文件：

scrapy crawl db
但是，我们运行之后发现又没有获取到数据哎！

造成这样的原因是：回想爬虫的基础，我们如果直接这样向网页发送请求进行爬取，那服务端一眼就看到咱是scrapy了，它还会理咱嘛？所以我们要设置请求头！

4.设置请求头：

在配置文件settings.py中找到如下代码取消注释并加入爬取网页请求头的User-Agent即可！

5.获取到电影名字：

{
到现在，我们运行爬虫文件，Scrapy框架已经可以获取到网页的首页数据。那么，我们如何筛选出我们想要的电影的名字呢？
考虑到我们如果利用xpath匹配，可能要多次尝试才能正确匹配到，那就需要我们一次又一次的运行咱的项目，多麻烦啊！咱都这样想了，人家大牛也这样想啊，所以，在这里有个贼帅贼帅的牛皮的方法：
使用shell交互式平台：（注意1：它是遵循settings设置的；注意2：一定要到咱的项目文件夹下运行；）
首先：cd到我们项目的文件路径下。
然后：输入命令scrapy shell url (start_url) 即可！
这样：它其实就请求到了此url的数据（跟上面运行爬虫文件得到的数据一模一样）！！！
}

首先：打开我们的shell交互式平台。
再此项目中：输入命令scrapy shell https://movie.douban.com/top250
第二步：在shell交互式平台中匹配我们所需的电影数据。
输入：response.xpath(’//div[@class=“info”]/div/a/span[1]/text()’)

（
会发现：这得到的是一个selector对象！
而我们得到的数据就是用的response对象自带的xpath匹配到的（生成了response之后就会自动生成selector对象）！
与我们正常用的xpath不同，它获取到的数据在selector对象里，如上图：
）
第三步：从selector对象中提取电影名字
使用selector对象的方法.extract()。这个方法可以提取到selector对象中data对应的数据。
response.xpath(’//div[@class=“info”]/div/a/span[1]/text()’).extract()

6.将获取到的电影的信息存储到text文本中

{
注意：如果想要存储数据，就要用到管道。
这就涉及到了items.py文件（定义结构化数据字段）和pipelines.py文件（管道文件）。
}
首先：操作items.py文件
因为我们只需要存储一个信息，所以定义一个字段名即可！
{
定义公共输出数据格式，Scrapy提供了Item类。Item对象是用于收集剪贴数据的简单容器。它们提供了一个类似词典的API，提供了一种方便的语法来声明它们的可用字段。 scray.Item对象是用于收集抓取数据的简单容器，使用方法和python的字典类似。编辑项目目录下items.py文件。

然后我们只需要在爬虫中导入我们定义的Item类，实例化后用它进行数据结构化。
}

# -*- 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 DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    #需要定义字段名  就像数据库那样，有字段名，才能插入数据（即存储数据）
    # Field代表的是字符串类型！！！
    films_name=scrapy.Field()   #定义字段名
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

第二步：在爬虫文件中操作数据，使其与管道建立桥梁
{
到目前为止，我们通过scrapy写出的爬虫还看不出优越性在哪里，并且上面的爬虫还有个很严重的问题，就是对文件的操作。每次调用parse方法会打开文件关闭文件，这极大的浪费了资源。parse函数在解析出我们需要的信息之后，可以将这些信息打包成一个字典对象或scray.Item对象（一般都是item对象），然后返回。这个对象会被发送到item管道，该管道会通过顺序执行几个组件处理它。每个item管道组件是一个实现简单方法的Python类。他们收到一个item并对其执行操作，同时决定该item是否应该继续通过管道或者被丢弃并且不再处理。
item管道的典型用途是：

清理HTML数据
验证已删除的数据（检查项目是否包含某些字段）
检查重复项（并删除它们）
将已爬取的item进行数据持久化
}

# -*- coding: utf-8 -*-
import scrapy

from ..items import DoubanItem      #因为我们要使用包含定义字段名的类，所以需要导入

class DbSpider(scrapy.Spider):
    name = 'db'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        # 获取电影信息数据
        films1_name=response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract()
        # 交给管道存储
        # 使用DoubanItem
        item=DoubanItem()  #创建对象
        item["films_name"]=films1_name      #值是个列表，因为xpath匹配到的数据都扔到列表里了！
        # item可以理解为一个安全的字典  用法与字典相同
        print("item里面是：",dict(item))  #可以转换为字典
        return item     #交给引擎  引擎要交给管道,需要打开管道
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

第三步：我们要将数据提交给管道，所以需要打开管道
要激活这个管道组件，必须将其添加到ITEM_PIPELINES设置中,在settings.py文件中:

(在此设置中为类分配的整数值决定了它们运行的顺序：按照从较低值到较高值的顺序进行。
注意：这个管道的目的只是介绍如何编写项目管道，如果要将所有爬取的item存储到json文件中，则应使用Feed导出，在运行爬虫是加上如下参数：
scrapy crawl bd -o films.json)

第四步：现在数据已经可以交给管道，那么管道就要对数据进行处理
就是操作pipelines.py文件

# -*- 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 json
class DoubanPipeline(object):
    def process_item(self, item, spider):
        #为了能写进text  json.dumps将dic数据转换为str
        json_str=json.dumps(dict(item),ensure_ascii=False)
        with open("films.text","w",encoding="utf-8") as f:
            f.write(json_str)
        return item
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

实现效果：

先自我介绍一下，小编13年上师交大毕业，曾经在小公司待过，去过华为OPPO等大厂，18年进入阿里，直到现在。深知大多数初中级java工程师，想要升技能，往往是需要自己摸索成长或是报班学习，但对于培训机构动则近万元的学费，着实压力不小。自己不成体系的自学效率很低又漫长，而且容易碰到天花板技术停止不前。因此我收集了一份《java开发全套学习资料》送给大家，初衷也很简单，就是希望帮助到想自学又不知道该从何学起的朋友，同时减轻大家的负担。添加下方名片，即可获取全套学习资料哦