Python爬虫框架Scrapy的使用教程

大家好，本篇文章我们来看一下强大的Python爬虫框架Scrapy。Scrapy是一个使用简单，功能强大的异步爬虫框架，我们先来看看他的安装。

Scrapy的安装

Scrapy的安装是很麻烦的，对于一些想使用Scrapy的人来说，它的安装常常就让很多人死在半路。在此我将我的安装过程和网络上整理的安装方法，分享给大家，希望大家能够安装顺利。

Windows安装

开始之前，我们要确定自己安装了Python，本篇文章我们以Python3.5为例。Scrapy有很多依赖的包，我们来一一安装。

首先，使用pip -v，查看pip是否安装正常，如果正常，那么我们进行下一步；

pip install wheel这个包我们之前的文章介绍过，安装好他我们就可以安装一些wheel件；

lxml安装，之前的文章说过他的安装，那么我们这里在重新整理一下。whl文件地址：here。找到自己对应版本的文件，下载好后，找到文件位置，右键点击文件属性，点击安全标签，复制他的所在路径。打开管理员工具(cmd)，pip install <粘贴whl路径>；

PyOpenssl 的whl文件地址：here。点击下载，whl文件安装方式同上；

Twisted框架这个框架是一个异步网络库，是Scrapy的核心。whl文件地址：here；

Pywin32这是一个Pywin32兼容的库，下载地址：here，选好版本进行下载；

如果上面的库全都安装好了，那么我们就可以安装我们的Scrapy了，pip install scrapy

是不是很麻烦呢，如果大家不喜欢折腾，那么在Windows下也可以很方便的安装。那就要使用我们之前提到的Anaconda了。具体安装大家自己找找，或者在之前的文章中找。那么他的安装Scrapy只需要一行：

conda install scrapy

Linux安装

Linux系统安装起来就要简单一点：

sudo apt-get install build-essential python3-dev libssl-dev libffi-dev libxml2 libxml2-dev libxslt1-dev zlib1g-dev

Mac OS安装

我们需要先安装一些C++的依赖库，xcode-select --install

需要安装命令行开发工具，我们点击安装。安装完成，那么依赖库也就安装完成了。

然后我们直接使用pip安装pip install scrapy

以上，我们的Scrapy库的安装基本上就解决了。

Scrapy的基本使用

Scrapy的中文文档地址：here

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。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

他的基本项目流程为：

创建一个Scrapy项目

定义提取的Item

编写爬取网站的spider并提取Item

编写Item Pipeline来存储提取到的Item(即数据)

而一般我们的爬虫流程为：

抓取索引页：请求索引页的URL并得到源代码，进行下一步分析；

获取内容和下一页链接：分析源代码，提取索引页数据，并且获取下一页链接，进行下一步抓取；

翻页爬取：请求下一页信息，分析内容并请求在下一页链接；

保存爬取结果：将爬取结果保存为特定格式和文本，或者保存数据库。

我们一步一步来看看如何使用。

创建项目

在开始爬取之前，您必须创建一个新的Scrapy项目。 进入您打算存储代码的目录中，运行下列命令（以知乎日报为例）:

scrapy startproject zhihurb

该命令将会创建包含下列内容的 zhihu 目录:

zhihurb/

scrapy.cfg

zhihurb/

 __init__.py

 items.py

 pipelines.py

 settings.py

 spiders/

 __init__.py

 ...

这些文件分别是:

scrapy.cfg: 项目的配置文件zhihurb/: 该项目的python模块。之后您将在此加入代码。zhihurb/items.py: 项目中的item文件.zhihurb/pipelines.py: 项目中的pipelines文件.zhihurb/settings.py: 项目的设置文件.zhihurb/spiders/: 放置spider代码的目录.

定义Item

这一步是定义我们需要获取到的数据信息，比如我们需要获得网站里的一些url，网站文章的内容，文章的作者等。这一步定义的地方就在我们的items.py文件。

import scrapy

class ZhihuItem(scrapy.Item):

name = scrapy.Field()

article = scrapy.Field()

编写Spider

这一步就是写我们最熟悉的爬虫了，而我们的Scrapy框架可以让我们不需要去考虑实现的方法，只需要写出爬取的逻辑就可以了。

首先我们需要在 spiders/ 文件夹下创建我们的爬虫文件，比如就叫spider.py。写爬虫前，我们需要先定义一些内容。我们以知乎日报为例：https://daily.zhihu.com/

from scrapy import Spider

class ZhihuSpider(Spider):

name = "zhihu"

allowed_domains = ["zhihu.com"]

start_urls = ['https://daily.zhihu.com/']

这里我们定义了什么呢?首先我们导入了Scrapy的Spider组件。然后创建一个爬虫类，在类里我们定义了我们的爬虫名称：zhihu（注意：爬虫名称独一无二的，是不可以和别的爬虫重复的）。还定义了一个网址范围，和一个起始 url 列表，说明起始 url 可以是多个。

然后我们定义一个解析函数：

def parse(self, response):

print(response.text)

我们直接打印一下，看看这个解析函数是什么。

运行爬虫

scrapy crawl zhihu

由于Scrapy是不支持在IDE中执行，所以我们必须在命令行里执行命令，我们要确定是不是cd到爬虫目录下。然后执行，这里的命令顾名思义，crawl是蜘蛛的意思，zhihu就是我们定义的爬虫名称了。

查看输出，我们先看到的是一些爬虫类的输出，可以看到输出的log中包含定义在 start_urls 的初始URL，并且与spider中是一一对应的。我们接着可以看到打印出了网页源代码。可是我们似乎并没有做什么，就得到了网页的源码，这是Scrapy比较方便的一点。

提取数据

接着就可以使用解析工具解析源码，拿到数据了。

由于Scrapy内置了CSS和xpath选择器，而我们虽然可以使用Beautifulsoup，但是BeautifulSoup的缺点就是慢，这不符合我们Scrapy的风格，所有我还是建议大家使用CSS或者Xpath。

由于之前我并没有写过关于Xpath或者CSS选择器的用法，那么首先这个并不难，而且熟悉浏览器的用法，可以很简单的掌握他们。

我们以提取知乎日报里的文章url为例：

from scrapy import Request

def parse(self, response):

urls = response.xpath('//p[@class="box"]/a/@href').extract()

for url in urls:

 yield Request(url, callback=self.parse_url)

这里我们使用xpath解析出所有的url（extract()是获得所有URL集合，extract_first()是获得第一个）。然后将url利用yield语法糖，回调函数给下一个解析url的函数。

使用item

后面详细的组件使用留在下一章讲解，这里假如我们解析出了文章内容和标题，我们要将提取的数据保存到item容器。

Item对象相当于是自定义的python字典。 您可以使用标准的字典语法来获取到其每个字段的值。(字段即是我们之前用Field赋值的属性)。

假如我们下一个解析函数解析出了数据

def parse_url(self, response):

# name = xxxx

# article = xxxx

# 保存

item = DmozItem()

item['name'] = name

item['article'] = article

# 返回item

yield item

保存爬取到的数据

这里我们需要在管道文件pipelines.py里去操作数据，比如我们要将这些数据的文章标题只保留 5 个字，然后保存在文本里。或者我们要将数据保存到数据库里，这些都是在管道文件里面操作。我们后面在详细讲解。

那么最简单的存储方法是使用命令行命令：

scrapy crawl zhihu -o items.json

这条命令就会完成我们的数据保存在根目录的json文件里，我们还可以将他格式保存为msv,pickle等。改变命令后面的格式就可以了。