[[403300]]

本文轉載自微信公眾號「快學Python」，作者快快。轉載本文請聯系快學Python公眾號。

人生苦短，快學Python!

今天將帶大家簡單了解Scrapy爬蟲框架，并用一個真實案例來演示代碼的編寫和爬取過程。

一、scrapy簡介

1. 什么是Scrapy

Scrapy是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，我們只需要實現少量的代碼，就能夠快速的抓取

Scrapy使用了Twisted異步網絡框架，可以加快我們的下載速度

http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

異步和非阻塞的區別

異步：調用在發出之后，這個調用就直接返回，不管有無結果

非阻塞：關注的是程序在等待調用結果時的狀態，指在不能立刻得到結果之前，該調用不會阻塞當前線程

2. Scrapy工作流程

另一種爬蟲方式

Scrapy工作流程

Scrapy engine(引擎)	總指揮:負責數據和信號的在不同模塊間的傳遞	scrapy已經實現
Scheduler(調度器)	一個隊列,存放引擎發過來的request請求	scrapy已經實現
Downloader(下載器)	下載把引擎發過來的requests請求,并返回給引擎	scrapy已經實現
Spider(爬蟲)	處理引擎發來的response,提取數據,提取url,并交給引擎	需要手寫
Item Pipline(管道)	處理引擎傳過來的數據,比如存儲	需要手寫
Downloader Middlewares(下載中間件)	可以自定義的下載擴展，比如設置代理	一般不用手寫
Spider Middlewares(中間件)	可以自定義requests請求和進行response過濾	一般不用手寫

3. Scrapy入門

#1 創建一個scrapy項目 
scrapy startproject mySpider 
 
#2 生成一個爬蟲 
scrapy genspider demo "demo.cn" 
 
#3 提取數據 
完善spider 使用xpath等 
 
#4 保存數據 
pipeline中保存數據 

在命令中運行爬蟲

scrapy crawl qb # qb爬蟲的名字 

在pycharm中運行爬蟲

from scrapy import cmdline 
 
cmdline.execute("scrapy crawl qb".split()) 

4. pipline使用

從pipeline的字典形可以看出來，pipeline可以有多個，而且確實pipeline能夠定義多個

為什么需要多個pipeline：

1 可能會有多個spider，不同的pipeline處理不同的item的內容

2 一個spider的內容可以要做不同的操作，比如存入不同的數據庫中

注意：

1 pipeline的權重越小優先級越高

2 pipeline中process_item方法名不能修改為其他的名稱

5. 文件目錄結構

文件配置：

setting：

SPIDER_MODULES = ['st.spiders'] 
NEWSPIDER_MODULE = 'st.spiders' 
LOG_LEVEL = 'WARNING' # 這樣設置可以在運行的時候不打印日志文件 
... 
# Obey robots.txt rules 
ROBOTSTXT_OBEY = False # 調整為false, 
... 
# Override the default request headers: # 頭部信息,反爬 
DEFAULT_REQUEST_HEADERS = { 
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36', 
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 
  'Accept-Language': 'en', 
} 
... 
ITEM_PIPELINES = { # 打開管道 
   'st.pipelines.StPipeline': 300, 
} 

為了運行文件方便：新建start.py(和settings在同一目錄下)，

from scrapy import cmdline 
cmdline.execute('scrapy crawl stsp'.split()) # 這里爬蟲項目名為stsp 

目前是這樣，后面提取數據的時候修改對應文件 .

二、頁面分析

第一頁url：https://699pic.com/video-sousuo-0-18-0-0-0-1-4-popular-0-0-0-0-0-0.html

url規律：

url = 'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(i) 

通過分析頁面知道視頻數據在li里面，如圖所示.現在問題就簡單了。

三、解析數據

def parse(self, response): 
    # global count 
    # count += 1 
    # print(response) 
    liList = response.xpath('//li') # 獲取所有的li,后面提取有用的 
     
    print(len(liList)) # 76(然后分析可知,第11個到第70個是我們需要的數據) 
     
    newfolderName = 'page{}'.format(count) # 文件夾的名字page1,page2,.... 
    # 步驟二 創建一個新的文件夾 保存每頁的視頻 
    if not os.path.exists(newfolderName): 
        os.mkdir(newfolderName) 
 
    for li in liList[10:-6]: 
        video_link = li.xpath("./a/div/video/@data-original").extract_first() 
        videoLink = 'https:' + video_link # url拼接 
        title = li.xpath("./a[2]/h3/text()").extract_first() 
        # 下載數據: 
        res = requests.get(videoLink,headers=headers) 
        data = res.content 
                
        try: 
            with open(newfolderName + '/' + title + '.mp4','wb') as f: 
                 f.write(data) 
                 print('%s下載成功'%title) 
        except: 
           break 

四、文件配置

items:

import scrapy 
class StItem(scrapy.Item): 
    # define the fields for your item here like: 
    # 和兩個對應前面的數據 
    videoLink = scrapy.Field() 
    title = scrapy.Field() 
    # pass 

設置好items文件后需要在爬蟲文件(stsp.py)頭部添加如下代碼：

from st.items import StItem # 這個要設置根目錄文件即st 

然后調整stsp文件：

item = StItem(videoLink=videoLink,title=title)yield item # 這里必須使用yield,如果使用return最后在管道中只能得到一個文件 

piplines：

# 前面的注釋代碼 
from itemadapter import ItemAdapter 
import csv 
 
class StPipeline: 
    def __init__(self): 
        # 打開文件，指定方式為寫，利用第3個參數把csv寫數據時產生的空行消除 
        self.f = open('Sp.csv','w',encoding='utf-8',newline='') 
        # 設置文件第一行的字段名，注意要跟spider傳過來的字典key名稱相同 
        self.file_name = ['title', 'videoLink'] 
        # 指定文件的寫入方式為csv字典寫入，參數1為指定具體文件，參數2為指定字段名 
        self.writer = csv.DictWriter(self.f, fieldnames=self.file_name) 
        # 寫入第一行字段名，因為只要寫入一次，所以文件放在__init__里面 
        self.writer.writeheader() 
 
    def process_item(self, item, spider): 
        # 寫入spider傳過來的具體數值 
        self.writer.writerow(dict(item)) # 這里的item是上面創建出來的實例對象,需要轉換成dict 
        # 寫入完返回 
        return item 
 
    def close_spider(self,spider): 
        self.f.close() 

五、批量爬取

next_url = 'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(count) # 這里的count是初始化的全局變量count,每次執行數據解析,就讓他+1 
request = scrapy.Request(next_url) 
yield request 

最后運行程序：

csv文件：

page2.mp4文件：