Scrapy，Python開發(fā)的一個快速,高層次的屏幕抓取和web抓取框架，用于抓取web站點并從頁面中提取結構化的數據。Scrapy用途廣泛，可以用于數據挖掘、監(jiān)測和 自動化測試 。

Scrapy吸引人的地方在于它是一個框架，任何人都可以根據需求方便的修改。它也提供了多種類型爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持。

Scratch，是抓取的意思，這個Python的爬蟲框架叫Scrapy，大概也是這個意思吧，就叫它：小刮刮吧。

Scrapy 使用了 Twisted異步網絡庫來處理網絡通訊。整體架構大致如下:

Scrapy主要包括了以下組件：

• 引擎(Scrapy) 

用來處理整個系統的數據流處理, 觸發(fā)事務(框架核心)

• 調度器(Scheduler) 

用來接受引擎發(fā)過來的請求, 壓入隊列中, 并在引擎再次請求的時候返回. 可以想像成一個URL（抓取網頁的網址或者說是鏈接）的優(yōu)先隊列, 由它來決定下一個要抓取的網址是什么, 同時去除重復的網址

• 下載器(Downloader) 

用于下載網頁內容, 并將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的)

• 爬蟲(Spiders) 

爬蟲是主要干活的, 用于從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續(xù)抓取下一個頁面

• 項目管道(Pipeline) 

負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析后，將被發(fā)送到項目管道，并經過幾個特定的次序處理數據。

• 下載器中間件(Downloader Middlewares) 

位于Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。

• 爬蟲中間件(Spider Middlewares) 

介于Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的響應輸入和請求輸出。

• 調度中間件(Scheduler Middewares) 

介于Scrapy引擎和調度之間的中間件，從Scrapy引擎發(fā)送到調度的請求和響應。

Scrapy運行流程大概如下：

1. 引擎從調度器中取出一個鏈接(URL)用于接下來的抓取
2. 引擎把URL封裝成一個請求(Request)傳給下載器
3. 下載器把資源下載下來，并封裝成應答包(Response)
4. 爬蟲解析Response
5. 解析出實體（Item）,則交給實體管道進行進一步的處理
6. 解析出的是鏈接（URL）,則把URL交給調度器等待抓取

安裝

因為python3并不能完全支持Scrapy，因此為了完美運行Scrapy，我們使用python2.7來編寫和運行Scrapy。

注：windows平臺需要依賴pywin32，請根據自己系統32/64位選擇下載安裝，https://sourceforge.net/projects/pywin32/

其它可能依賴的安裝包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi百度下載即可

基本使用

1、創(chuàng)建項目

運行命令:

2.自動創(chuàng)建目錄的結果：

文件說明：

• scrapy.cfg  項目的配置信息，主要為Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）
• items.py    設置數據存儲模板，用于結構化數據，如：Django的Model
• pipelines    數據處理行為，如：一般結構化的數據持久化
• settings.py 配置文件，如：遞歸的層數、并發(fā)數，延遲下載等
• spiders      爬蟲目錄，如：創(chuàng)建文件，編寫爬蟲規(guī)則

注意：一般創(chuàng)建爬蟲文件時，以網站域名命名

3、編寫爬蟲

在spiders目錄中新建 xiaohuar_spider.py 文件

示例代碼：

備注：

1. 爬蟲文件需要定義一個類，并繼承scrapy.spiders.Spider
2. 必須定義name，即爬蟲名，如果沒有name，會報錯。因為源碼中是這樣定義的：

     3. 編寫函數parse，這里需要注意的是，該函數名不能改變，因為Scrapy源碼中默認callback函數的函數名就是parse；

    4. 定義需要爬取的url，放在列表中，因為可以爬取多個url，Scrapy源碼是一個For循環(huán)，從上到下爬取這些url，使用生成器迭代將url發(fā)送給下載器下載url的html。源碼截圖：

4、運行

進入p1目錄，運行命令

格式：scrapy crawl+爬蟲名  –nolog即不顯示日志

5、scrapy查詢語法：

當我們爬取大量的網頁，如果自己寫正則匹配，會很麻煩，也很浪費時間，令人欣慰的是，scrapy內部支持更簡單的查詢語法，幫助我們去html中查詢我們需要的標簽和標簽內容以及標簽屬性。下面逐一進行介紹：

• 查詢子子孫孫中的某個標簽(以div標簽為例)：//div
• 查詢兒子中的某個標簽(以div標簽為例)：/div
• 查詢標簽中帶有某個class屬性的標簽：//div[@class=’c1′]即子子孫孫中標簽是div且class=‘c1’的標簽
• 查詢標簽中帶有某個class=‘c1’并且自定義屬性name=‘alex’的標簽：//div[@class=’c1′][@name=’alex’]
• 查詢某個標簽的文本內容：//div/span/text() 即查詢子子孫孫中div下面的span標簽中的文本內容
• 查詢某個屬性的值（例如查詢a標簽的href屬性）：//a/@href

示例代碼：

注：urllib.urlretrieve(ab_src, file_path) ，接收文件路徑和需要保存的路徑，會自動去文件路徑下載并保存到我們指定的本地路徑。

6、遞歸爬取網頁

上述代碼僅僅實現了一個url的爬取，如果該url的爬取的內容中包含了其他url，而我們也想對其進行爬取，那么如何實現遞歸爬取網頁呢？

示例代碼：

即通過yield生成器向每一個url發(fā)送request請求，并執(zhí)行返回函數parse，從而遞歸獲取?；▓D片和?；ㄐ彰麑W校等信息。

注：可以修改settings.py 中的配置文件，以此來指定“遞歸”的層數,如： DEPTH_LIMIT = 1

7、scrapy查詢語法中的正則：

語法規(guī)則：Selector(response=response查詢對象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract()，即根據re正則匹配，test即匹配，屬性名是class，匹配的正則表達式是”item-d*”，然后獲取該標簽的href屬性。

選擇器規(guī)則Demo

獲取響應cookie

更多選擇器規(guī)則：http://www.baby98.cn/

8、格式化處理

上述實例只是簡單的圖片處理，所以在parse方法中直接處理。如果對于想要獲取更多的數據（獲取頁面的價格、商品名稱、QQ等），則可以利用Scrapy的items將數據格式化，然后統一交由pipelines來處理。即不同功能用不同文件實現。

items：即用戶需要爬取哪些數據，是用來格式化數據，并告訴pipelines哪些數據需要保存。

示例items.py文件：

即：需要爬取所有url中的公司名，title，qq，基本信息info，更多信息more。

上述定義模板，以后對于從請求的源碼中獲取的數據同樣按照此結構來獲取，所以在spider中需要有一下操作：

上述代碼中：對url進行md5加密的目的是避免url過長，也方便保存在緩存或數據庫中。

此處代碼的關鍵在于：

• 將獲取的數據封裝在了Item對象中
• yield Item對象 （一旦parse中執(zhí)行yield Item對象，則自動將該對象交個pipelines的類來處理）

上述代碼中多個類的目的是，可以同時保存在文件和數據庫中，保存的優(yōu)先級可以在配置文件settings中定義。

總結：本文對python爬蟲框架Scrapy做了詳細分析和實例講解