Scrapy爬虫-简介

文：郑元春

人生苦短，我用Python

由于最近需要做些大数据分析的工作，所以就学习了写下爬虫了，毕竟数据才是分析的基础。如果能够得到了数据，那么你的数据挖掘或者是数据分析工作就已经成功了一半。

什么是Scrapy？

Scrapy is a fast high-level web crawling and web scraping framework, used to crawl websites and extract structured data from their pages. It can be used for a wide range of purposes, from data mining to monitoring and automated testing.
项目文档:Scrapy文档
项目Git:源码

首先，先放上Scrapy的原理图：

scrapy各组件示意

绿色的箭头表示的是数据的流动方向。

通过看上面的示意图，我们可以看出最主要的核心部件是Scrapy Engine,；另外还有Scheduler + Downlodaer + Spiders + Item Pipeline 四个功能部件，除此之外还有自己配置的 Downloader Middleware+Spider Middleware两个可自由配置的拓展中间件。

1.Scrapy Engine
这是Scrapy的爬虫核心，主要负责控制系统各个部件之间的data flow，以及当特定事件发生的时候触发event。

2.Scheduler
接受engine发来的requests放入队列中，当engine要求的时候再提供给engine。

3.Downloader
负责拉取下载page并返给engine，engine之后再传递给Spiders

4.Spider
用户自行编写的代码类，这部分的用户代码主要完成解析response并提取item，或者是
跟进页面中获取的额外的link url。

Scrapy 命令

提供了两种命令方式，一种是全局的命令，不依托Scrapy项目的设置。另一种是项目命令，必须在项目的路径中执行，两者的区别就是是否需要load项目的设置（这个跟Django的命令行有点相似，实际上Scrapy的开发过程受到了Django的影响）

全局命令

startproject
settings
runspider
shell
fetch
view
version

项目命令

crawl
check
list
edit
parse
genspider
deploy
bench

创建项目

scrapy startproject tutorial(你的项目名称)
可以看出这和Django的命令一样

tutorial/
    scrapy.cfg
    tutorial/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

下面是项目的目录初始化结构，和Django的目录结构也一样。

scrapy.cfg是整个项目的设置文件，用的是ini的设置方式。
tutorial是和项目一样的子目录，里面的文件就是整个项目的python源码。
spiders目录是自行编码的爬虫软件，大部分的逻辑和对页面的分析都在这里面了。
一般是你startproject之后，你还要使用genspider 命令生成一个爬虫程序。

比如使用下面的命令生成一个spider程序：

scrapy genspider dmoz

这是给某个网站进行爬虫编写的逻辑代码。源码如下：

import scrapy

class DmozSpider(scrapy.Spider):
    name="domz"
    allowed_domains=['demo.org']
    start_urls=[
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self,response):
        print response.url

这就是一个最简单的爬虫程序。这里的class继承了scrapy的Spider类。必须要定义的变量是name+allowed_domains，name是标志了这个爬虫的名称，后面如果要运行爬虫程序的话需要使用这个name的值进行启动，另外一个allowed_domains则是定义了你爬取的域名，如果是爬虫在构造Request的时候那么需要检查URL是否在这个域名下，如果是不在这个域名中的URL就不会爬取。

至于start_urls则是指定你的爬虫需要从哪里开始爬取，相当于初始的入口。

还有一个parse函数，这个是默认的callback函数，也就是爬虫抓取了start_urls里面的网页之后，然后download完成之后需要通过这个默认的函数进行页面的解析（爬取你敢兴趣的数据）
这里除了name和allowed_domains是不能更改的，其他的都可以通过其他的方式进行改写（定制）
下面是基类Spider的源码，看下就知道你的爬虫代码为什么这么写了，当然这只是最简单的爬虫，就爬取了两个页面，然后只对爬取的页面输出页面url

Spider代码1

Spider代码2

有的教程上面写的是继承自BaseSpider，新版中已经改成了Spider类，并且在源码中声明了已经丢弃了BaseSpider的用法，将BaseSpider指到了Spider类上。
主要看的是name和start_urls的使用和生成上。还有parse需要在你的类中实现。

上面只是最简单的爬虫程序，还没涉及到item和pipeline的使用，在命令行中运行下面的指令，就可以启动爬虫程序并开始执行了。

scrapy crawl domz

这里crawl后面的参数就是你在你的子类中写的name的值。

参考

1.scrapy 笔记1--smiling博客
2.scrapy笔记2--smiling博客

Scrapy爬虫-简介