爬虫(十四)：Scrapy框架(一) 初识Scrapy、第一个案例

1. scrapy框架

scrapy功能非常强大，爬取效率高，相关扩展组件多，可配置和可扩展程度非常高，它几乎可以应对所有反爬网站，是目前python中使用最广泛的爬虫框架。

1.1 scrapy介绍

1.1.1 架构介绍

scrapy是一个基于twisted的异步处理框架，是纯python实现的爬虫框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，可以灵活完成各种需求。我们只需要定制开发几个模块就可以轻松实现一个爬虫。

它可以分为如下的几个部分：

engine：引擎，处理整个系统的数据流处理、触发事务，是整个框架的核心。

item：项目，它定义了爬取结果的数据结构，爬取的数据会被赋值成该item对象。

scheduler：调度器，接受引擎发过来的请求并将其加入队列中，在引擎再次请求的时候将请求提供给引擎。

downloader：下载器，下载网页内容，并将网页内容返回给蜘蛛。

spiders：蜘蛛，其内定义了爬取的逻辑和网页的解析规则，它主要负责解析响应并生成提取结果和新的请求。

item pipeline：项目管道，负责处理由蜘蛛从网页中抽取的项目，它的主要任务是清洗、验证和存储数据。

downloader middlewares：下载器中间件，位于引擎和下载器之 的钩子框架，主要处理引擎与下载器之间的请求及响应。

spider middlewares：蜘蛛中间件，位于引擎和蜘蛛之间的钩子框架，主要处理蜘蛛输入的响应和输出的结果及新的请求。

1.1.2 数据流

scrapy中的数据流由引擎控制，数据流的过程如下：

(1) engine首先打开一个网站，找到处理该网站的spider，并向该spider请求第一个要爬取的url。

(2) engine从spider中获取到第一个要爬取的url，并通过scheduler以request的形式调度。

(3) engine向scheduler请求下一个要爬取的url。

(4) scheduler返回下一个要爬取的url给engine，engine将url通过downloader middlewares发给 downloader下载。

(5) 一旦页面下载完毕，downloader生成该页面的response，并将其通过downloader middlewares发送给engine。

(6) engine从下载器中接收到response，并将其通过spider middleware发送给spider处理。

(7) spider处理response，并返回爬取到的item及新的request给engine。

(8) engine将spider返回的item给item pipeline，将新的request给scheduler。

(9）重复第(2)步到第(8)步，直到scheduler中没有更多的request，engine关闭该网站，爬取结束。

通过多个组件的相互协作、不同组件完成工作的不同、组件对异步处理的支持scrapy最大限度地利用了网络带宽，大大提高了数据爬取和处理的效率。

1.1.3 项目结构

scrapy框架是通过命令行来创建项目的，代码的编写还是需要ide。项目创建之后，项目文件的格式如下所示：

scrapy.cfg

project/

　　__init__.py

　　items.py

　　pipelines.py

　　settings.py

　　middlewares.py

　　spiders/

　　　　__init__.py

　　　　spider1.py

　　　　spider2.py

　　　　...

这里各个文件的功能描述如下：

scrapy.cfg：它是scrapy项目的配置文件，其内定义了项目的配置文件路径、部署相关信息等内容

items.py：它定义item数据结构，所有的item的定义都可以放这里。

pipelines.py：它定义item pipeline的实现，所有的item pipeline的实现都可以放这里。

settings.py：它定义项目的全局配置。

middlewares.py：它定义spider middlewares和downloader middlewares的实现。

spiders：其内包含一个个spider的实现，每个spider都有一个文件。

1.2 scrapy入门

接下来就写一个简单的项目，让我们对scrapy的基本用法和原理有大致的了解。

1.2.1 创建项目

首先安装scrapy模块，再创建scrapy项目。

pip install scrapy -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

创建scrapy一个项目，项目文件可以直接用scrapy命令生成:

scrapy startproject tutorial

这个命令可以在任意文件夹运行。

这个命令将会创建一个名为tutoria文件夹，文件夹结构如下所示：

1.2.2 创建spider

spider是自己定义的类，scrapy用它来从网页里抓取内容，并解析抓取的结果。不过这个类必须继承scrapy提供的spider类scrapy.spider，还要定义spider的名称和起始请求，以及怎样处理爬取后的结果的方法。

也可以使用命令行创建一个spider。比如要生成top250这个spider。

cd tutorial

scrapy genspider top250 movie.douban.com/250

进入刚才创建的tutorial文件夹，然后执行genspider命令。第一个参数是spider名称，第二个参数是网站域名。执行完毕之后，spiders文件夹中多了一个quotes.py，它就是刚刚创建的spider。

这里有三个属性——name、allowed_domains和start_urls，还有一个方法parse。

name，它是每个项目唯一的名字，用来区分不同的spider。

allowed_domains，它是允许爬取的域名，如果初始或后续的请求链接不是这个域名下的，则请求链接会被过滤掉。

start_urls，它包含了spider在启动时爬取的url列表，初始请求是由它来定义的。

parse，它是spider一个方法。默认情况下，被调用时start_urls里面的链接构成的请求完成下载执行后，返回的响应就会作为唯一的参数传递给这个函数。该方法负责解析返回的响应、提取数据或者进一步生成要处理的请求。

1.2.3 创建item

item是保存爬取数据的容器，它的使用方法和字典类似。不过，相比字典，item多了额外的保护机制，可以避免拼写错误或者定义字段错误。

创建item需要继承scrapy.item类，并且定义类型为scrapy.field的字段。观察目标网站，我们可以获取到到内容有serial_number、movie_name、introduce、star、evaluate、describe。

定义item，此时修改items.py：

# -*- 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()
    serial_number = scrapy.field()
    movie_name = scrapy.field()
    introduce = scrapy.field()
    star = scrapy.field()
    evaluate = scrapy.field()
    describe = scrapy.field()

这里定义了三个字段，接下来爬取时我们会使用到这个item。

1.2.4 解析response

前面已经说了，parse()方法的参数resposne是start_urls里面的链接爬取后的结果。所以在parse()方法中，我们可以直接对response变量包含的内容进行解析，比如浏览请求结果的网页源代码，或者进一步分析源代码内容，或者找出结果中的链接而得到下一个请求。我们可以看到网页中既有我们想要的结果，又有下一页的链接，这两部分内容我们都要进行处理。

首先看看网页结构：

每一页都有多个class为item的区块，每个区块内都包含serial_number、movie_name、introduce、star、evaluate、describe那么我们先找出所有的item，然后提取每一个item中的内容。

提取的方式可以是css选择器或xpath选择器，top250.py的xpath改写如下：

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

class top250spider(scrapy.spider):
    name = 'top250'
    allowed_domains = ['movie.douban.com']
    start_urls = ['http://movie.douban.com/250/']

    def parse(self, response):
        movie_list = response.xpath('//div[@class="item"]')
        for i_item in movie_list:
            serial_number = i_item.xpath('.//em/text()').extract_first()
            movie_name = i_item.xpath('.//div[@class="hd"]/a/span[1]/text()').extract_first()
            content = i_item.xpath('.//div[@class="bd"]/p[1]/text()').extract()
            for i_content in content:
                introduce = "".join(i_content.split())
            star = i_item.xpath('.//span[@class="rating_num"]/text()').extract_first()
            evaluate = i_item.xpath('.//div[@class="star"]//span[4]/text()').extract_first()
            describe = i_item.xpath('.//p[@class="quote"]//span/text()').extract_first()

这里首先利用选择器选取所有的item，并将其赋值为movie_list变量，然后利用for循环对每个item遍历，解析每个item的内容。

1.2.5 使用item

前面定义了item，接下来就要使用它了。item可以理解为字典，不过在声明的时候需要实例化。然后依次用刚才解析的结果赋值item的每一段，最后将item返回即可。

修改top250.py文件：

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

class top250spider(scrapy.spider):
    name = 'top250'
    allowed_domains = ['movie.douban.com']
    start_urls = ['http://movie.douban.com/250/']

    def parse(self, response):
        movie_list = response.xpath('//div[@class="item"]')
        for i_item in movie_list:
            douban_item = doubanitem()
            douban_item['serial_number'] = i_item.xpath('.//em/text()').extract_first()
            douban_item['movie_name'] = i_item.xpath('.//div[@class="hd"]/a/span[1]/text()').extract_first()
            content = i_item.xpath('.//div[@class="bd"]/p[1]/text()').extract()
            for i_content in content:
                content_s = "".join(i_content.split())
                douban_item['introduce'] = content_s
            douban_item['star'] = i_item.xpath('.//span[@class="rating_num"]/text()').extract_first()
            douban_item['evaluate'] = i_item.xpath('.//div[@class="star"]//span[4]/text()').extract_first()
            douban_item['describe'] = i_item.xpath('.//p[@class="quote"]//span/text()').extract_first()
            yield douban_item

这样首页的所有内容都可以被解析出来，并被赋值成一个个doubanitem。

1.2.6 后续request

前面的操作实现了从初始页面抓取内容。那么，下一页的内容该如何抓取？这就需要我们从当前页面中找到信息来生成下一个请求，然后在下一个请求的页面里找到信息再构造再下一个请求。这样 循环往复迭代，从而实现整站的爬取。

将页面拉到最底部，如图：

这里有后页按钮。查看它的源代码，可以发现它的链接是?start=25&filter=，完整链接是：，通过这个链接我们就可以构造下一个请求。 

构造请求时需要用到scrapy.request这里我们传递两个参数——url和callback。

request参数：

url：它是请求链接。

callback：它是回调函数。当指定了该回调函数的请求完成之后，获取到响应，引擎会将该响应作为参数传递给这个回调函数。回调函数进行解析或生成下一个请求，回调函数如上文parse()所示。

由于parse()就是解析serial_number、movie_name、introduce、star、evaluate、describe的方法，而下一页的结构和刚才已经解析的页面结构是一样的，所以我们可以再次使用parse()方法来做页面解析。

接下来我们要做的就是利用选择器得到下一页链接并生成请求，在parse()方法后追加代码：

# -*- coding: utf-8 -*-
import scrapy
from tutorial.items import doubanitem

class top250spider(scrapy.spider):
    name = 'top250'
    allowed_domains = ['movie.douban.com']
    start_urls = ['http://movie.douban.com/250/']

    def parse(self, response):
        movie_list = response.xpath('//div[@class="item"]')
        for i_item in movie_list:
            douban_item = doubanitem()
            douban_item['serial_number'] = i_item.xpath('.//em/text()').extract_first()
            douban_item['movie_name'] = i_item.xpath('.//div[@class="hd"]/a/span[1]/text()').extract_first()
            content = i_item.xpath('.//div[@class="bd"]/p[1]/text()').extract()
            for i_content in content:
                content_s = "".join(i_content.split())
                douban_item['introduce'] = content_s
            douban_item['star'] = i_item.xpath('.//span[@class="rating_num"]/text()').extract_first()
            douban_item['evaluate'] = i_item.xpath('.//div[@class="star"]//span[4]/text()').extract_first()
            douban_item['describe'] = i_item.xpath('.//p[@class="quote"]//span/text()').extract_first()
            yield douban_item
        next_link = response.xpath('//span[@class="next"]/link/@href').extract()
        if next_link:
            next_link = next_link[0]
            yield scrapy.request('https://movie.douban.com/top250' + next_link, callback=self.parse)

1.2.7 运行程序

进入目录，运行如下命令：

scrapy crawl top250

信息刷的太快了，上面都刷没了，只要显示中没有出现报错，这样就算成功了，大家可以自己运行一遍。

首先，scrapy输出了当前的版本号以及正在启动的项目名称。接着输出了当前settings.py中一些重写后的配置。然后输出了当前所应用的middlewares和pipelines。middlewares默认是启用的，可以settings.py中修改。pipelines 默认是空，同样也可以在settings.py中配置。

settings.py：

# -*- coding: utf-8 -*-

# scrapy settings for tutorial project
#
# for simplicity, this file contains only settings considered important or
# commonly used. you can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

bot_name = 'tutorial'

spider_modules = ['tutorial.spiders']
newspider_module = 'tutorial.spiders'


# crawl responsibly by identifying yourself (and your website) on the user-agent
#user_agent = 'tutorial (+http://www.yourdomain.com)'
user_agent = 'mozilla/5.0 (macintosh; intel mac os x 10_14_2) applewebkit/537.36 (khtml, like gecko) chrome/70.0.3538.110 safari/537.36'


# obey robots.txt rules
# robotstxt_obey = true
robotstxt_obey = false

# configure maximum concurrent requests performed by scrapy (default: 16)
#concurrent_requests = 32

# configure a delay for requests for the same website (default: 0)
# see https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# see also autothrottle settings and docs
#download_delay = 3
download_delay = 0.5

# the download delay setting will honor only one of:
#concurrent_requests_per_domain = 16
#concurrent_requests_per_ip = 16

# disable cookies (enabled by default)
#cookies_enabled = false

# disable telnet console (enabled by default)
#telnetconsole_enabled = false

# override the default request headers:
#default_request_headers = {
#   'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'accept-language': 'en',
#}

# enable or disable spider middlewares
# see https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#spider_middlewares = {
#    'tutorial.middlewares.tutorialspidermiddleware': 543,
#}

# enable or disable downloader middlewares
# see https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#downloader_middlewares = {
#    'tutorial.middlewares.tutorialdownloadermiddleware': 543,
#}

# enable or disable extensions
# see https://docs.scrapy.org/en/latest/topics/extensions.html
#extensions = {
#    'scrapy.extensions.telnet.telnetconsole': none,
#}

# configure item pipelines
# see https://docs.scrapy.org/en/latest/topics/item-pipeline.html
item_pipelines = {
   'tutorial.pipelines.tutorialpipeline': 300,
}


# enable and configure the autothrottle extension (disabled by default)
# see https://docs.scrapy.org/en/latest/topics/autothrottle.html
#autothrottle_enabled = true
# the initial download delay
#autothrottle_start_delay = 5
# the maximum download delay to be set in case of high latencies
#autothrottle_max_delay = 60
# the average number of requests scrapy should be sending in parallel to
# each remote server
#autothrottle_target_concurrency = 1.0
# enable showing throttling stats for every response received:
#autothrottle_debug = false

# enable and configure http caching (disabled by default)
# see https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#httpcache_enabled = true
#httpcache_expiration_secs = 0
#httpcache_dir = 'httpcache'
#httpcache_ignore_http_codes = []
#httpcache_storage = 'scrapy.extensions.httpcache.filesystemcachestorage'

接下来就是输出各个页面的抓取结果了，可以看到爬虫一边解析，一边翻页，直至将所有内容取完毕，然后终止。

最后，scrapy输出了整个抓取过程的统计信息，如请求的字节数、请求次数、响应次数、完成原因等。

整个scrapy程序成功运行。我们通过非常简单的代码就完成了一个网站内容的爬取，这样相比之前一步一步写程序简洁很多。 

1.2.8 保存到文件

运行完scrapy后，我们只在控制台看到了输出结果。如果想保存结果该怎么办呢？

要完成这个任务其实不需要任何额外的代码，scrapy提供的feed exports可以轻松将抓取结果输出。例如，我们想将上面的结果保存成json文件，可以执行如下命令：

scrapy crawl top250 -o top250.json

命令运行后，项目内多了一个quotes.json文件（没有就刷新），文件包含了刚才抓取的所有内容，内容是json格式。

另外我们还可以每一个item输出一行json，输出后缀为jl，为jsonline的缩写：

scrapy crawl top250 -o top250.jl

或

scrapy crawl top250 -o top250.jsonlines

输出格式还支持很多种，例如csv、xml、pickle、marshal等，还支持ftp、s3等远程输出，另外还可以通过自定义itemexporter来实现其他的输出。

例如，下面命令对应的输出分别为csv、xml、pickle、marshal格式以及ftp远程输出：

scrapy crawl top250 -o top250.csv

scrapy crawl top250 -o top250.xml

scrapy crawl top250 -o top250.pickle

scrapy crawl top250 -o top250.marshal

scrapy crawl top250 -o ftp://user:[e-mail]/path/to/top250.csv

其中，ftp输出需要正确配置用户名、密码、地址、输出路径，否则会报错。

通过scrapy提供的feed exports，我们可以轻松地输出抓取结果到文件。对于一些小型项目来说， 这应该足够了。不过如果想要更复杂的输出，如输出到数据库等，我们可以使用item pileline来完成。