本系列：

• 《手把手教你寫網絡爬蟲（1）：網易云音樂歌單》
• 《手把手教你寫網絡爬蟲（2）：迷你爬蟲架構》
• 《手把手教你寫網絡爬蟲（3）：開源爬蟲框架對比》

上期我們理性的分析了為什么要學習Scrapy，理由只有一個，那就是免費，一分錢都不用花！

咦？怎么有人扔西紅柿？好吧，我承認電視看多了。不過今天是沒得看了，為了趕稿，又是一個不眠夜。。。言歸正傳，我們將在這一期介紹完Scrapy的基礎知識， 如果想深入研究，大家可以參考官方文檔，那可是出了名的全面，我就不占用公眾號的篇幅了。

[[229476]]

架構簡介

下面是Scrapy的架構，包括組件以及在系統中發生的數據流的概覽(紅色箭頭所示)。 之后會對每個組件做簡單介紹，數據流也會做一個簡要描述。

架構就是這樣，流程和我第二篇里介紹的迷你架構差不多，但擴展性非常強大。

One more thing

[[229477]]

scrapy startproject tutorial 

該命令將會創建包含下列內容的 tutorial 目錄:

tutorial/  
    scrapy.cfg            # 項目的配置文件  
    tutorial/             # 該項目的python模塊。之后您將在此加入代碼  
        __init__.py  
        items.py          # 項目中的item文件  
        pipelines.py      # 項目中的pipelines文件  
        settings.py       # 項目的設置文件  
        spiders/          # 放置spider代碼的目錄  
            __init__.py 

編寫***個爬蟲

Spider是用戶編寫用于從單個網站(或者一些網站)爬取數據的類。其包含了一個用于下載的初始URL，以及如何跟進網頁中的鏈接以及如何分析頁面中的內容的方法。

以下為我們的***個Spider代碼，保存在 tutorial/spiders 目錄下的 quotes_spider.py文件中:

import scrapy   
 
class QuotesSpider(scrapy.Spider):  
    name = "quotes"   
 
    def start_requests(self):  
        urls = [  
            'http://quotes.toscrape.com/page/1/',  
            'http://quotes.toscrape.com/page/2/',  
        ]  
        for url in urls:  
            yield scrapy.Request(url=url, callback=self.parse)   
 
    def parse(self, response):  
        page = response.url.split("/")[-2]  
        filename = 'quotes-%s.html' % page  
        with open(filename, 'wb') as f:  
            f.write(response.body)  
        self.log('Saved file %s' % filename) 

運行我們的爬蟲

進入項目的根目錄，執行下列命令啟動spider:

scrapy crawl quotes 

這個命令啟動用于爬取 quotes.toscrape.com 的spider，你將得到類似的輸出:

2017-05-10 20:36:17 [scrapy.core.engine] INFO: Spider opened  
2017-05-10 20:36:17 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)  
2017-05-10 20:36:17 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023  
2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://quotes.toscrape.com/robots.txt> (referer: None)  
2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)  
2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/2/> (referer: None)  
2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-1.html  
2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-2.html  
2017-05-10 20:36:17 [scrapy.core.engine] INFO: Closing spider (finished) 

提取數據

我們之前只是保存了HTML頁面，并沒有提取數據。現在升級一下代碼，把提取功能加進去。至于如何使用瀏覽器的開發者模式分析網頁，之前已經介紹過了。

import scrapy   
class QuotesSpider(scrapy.Spider):  
    name = "quotes"  
    start_urls = [  
        'http://quotes.toscrape.com/page/1/',  
        'http://quotes.toscrape.com/page/2/',  
    ]   
 
    def parse(self, response):  
        for quote in response.css('div.quote'):  
            yield {  
                'text': quote.css('span.text::text').extract_first(),  
                'author': quote.css('small.author::text').extract_first(),  
                'tags': quote.css('div.tags a.tag::text').extract(),  
            } 

再次運行這個爬蟲，你將在日志里看到被提取出的數據：

2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>  
{'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'}  
2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>  
{'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A. Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"} 

保存爬取的數據

最簡單存儲爬取的數據的方式是使用 Feed exports:

scrapy crawl quotes -o quotes.json 

該命令將采用 JSON 格式對爬取的數據進行序列化，生成quotes.json文件。

在類似本篇教程里這樣小規模的項目中，這種存儲方式已經足夠。如果需要對爬取到的item做更多更為復雜的操作，你可以編寫 Item Pipeline，tutorial/pipelines.py在最開始的時候已經自動創建了。