scrapy框架爬取豆瓣电影的数据

1.什么是scrapy框架？
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy组件：
①引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
②调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列,
由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
③下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
④爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
⑤项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，
将被发送到项目管道，并经过几个特定的次序处理数据。
⑥下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
⑦爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
⑧调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程
1.引擎从调度器中取出一个链接(URL)用于接下来的抓取
2.引擎把URL封装成一个请求(Request)传给下载器
3.下载器把资源下载下来，并封装成应答包(Response)
4.爬虫解析Response
5.解析出实体（Item）,则交给实体管道进行进一步的处理
6.解析出的是链接（URL）,则把URL交给调度器等待抓取

scrapy框架爬取豆瓣电影的数据流程：

1.新建项目：
使用命令：scrapy startproject douban生成项目
使用命令：scrapy genspider douban_spider movie.douban.com/top250

可新建main.py用于运行爬虫，也可直接用命令运行：scrapy crawl douban_spider

2.在items.py中编写所需用到的数据结构

3.编写爬虫douban_spider，代码如下：

import scrapy
from douban.items import DoubanItem

class DoubanSpiderSpider(scrapy.Spider):
    name = 'douban_spider'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']
    #默认的解析方法
    def parse(self, response):
        #循环电影的条目
       movie_list=response.xpath("//div[@class='article']//ol[@class='grid_view']/li")
       for item in movie_list:
           #item文件导进来
           douban_item=DoubanItem()
           #写详细的xpath，进行数据的解析
           douban_item['serial_number']=item.xpath(".//div[@class='item']//em/text()").extract_first()
           douban_item['movie_name'] = item.xpath(".//div[@class='hd']/a/span[1]/text()").extract_first()
           content=item.xpath(".//div[@class='bd']/p[1]/text()").extract()
           #多行数据的数据处理
           for i_content in content:
               contents="".join(i_content.split())
               douban_item['introduce']=contents
               douban_item['star']=item.xpath(".//span[@class='rating_num']/text()").extract_first()
           douban_item['evaluate'] = item.xpath(".//span[4]/text()").extract_first()
           douban_item['describe'] = item.xpath(".//p[@class='quote']/span/text()").extract_first()
           #你需要将数据yield到piplines里面去
           yield douban_item
           #解析下一页规则，取后页的xpath
           next_link=response.xpath("//span[@class='next']/a/@href").extract()
       if next_link:
           next_link=next_link[0]
           yield scrapy.Request("https://movie.douban.com/top250"+next_link,callback=self.parse)