Python数据采集之Scrapy框架

Scrapy是一个快速的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、舆情监测和自动化测试。

1. Scrapy简介

1.1 Scrapy整体框架

1.2 Scrapy组成部分

（1）引擎（Scrapy Engine）：用来处理整个系统的数据流处理，触发事务。

（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。可以决定下载器下一步要下载的网址并去除重复的网址。

（3）下载器(Downloader)：用来下载网页内容，并将网页内容返回给爬虫（Spiders）。

（4）爬虫(Spiders)：从特定的网页中提取出需要的信息。可以用它来制定特定网页的解析规则，提取特定的实体（Item）或URL链接。每一个Spider负责一个或多个特定的网站。

（5）项目管道(Item 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子框架，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，主要工作是处理爬虫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，处理从Scrapy引擎发送到调度的请求和响应。

1.3 Scrapy运行流程

（1）引擎打开一个域名，指定Spider来处理这个域名，并让Spider获取第一个要爬取的URL。

（2）引擎从Spider中获取第一个要爬取的URL，并在调度器以Request请求调度。

（3）引擎向调度器请求下一个要爬取的URL。

（4）调度返回下一个要爬取的URL给引擎，引擎通过下载中间件将URL发送到下载器。

（5）当网页下载完毕后，下载器生成一个该网页的Response响应，并将其通过下载中间件发送给引擎。

（6）引擎从下载器接收到Response响应，并通过Spider中间发送给Spider处理。

（7）Spider处理Response响应，并返回爬取到Item和新的Request请求给引擎。

（8）引擎将爬取到的Item给Item Pipeline，将新的Request请求发送给调度器。

（9）重复（2）以后的操作，直到调度器中没有新的Request请求，引擎断开与该域名的链接。

2. 创建简单的Scrapy爬虫

下面以图书网站为例，编写一个简单的Scrapy爬虫。

2.1 创建Scrapy项目

首先我们要创建一个Scrapy工程，在DOS命令行下cd切换到你将要创建工作的目录下，使用scrapy startprojrect 命令，如下所示：

scrapy startproject bookspider

Scrapy 工程目录如下图所示：

2.2 分析页面

在编写爬虫程序之前，我们首先对待爬取页面进行分析，带爬取页面网站为：http://books.toscrape.com/

（1）定位待爬取信息位置：

我们要爬取的信息包括书名、书价和下一页链接地址。在火狐浏览器中按F12快捷键，可以很方便地查看页面信息。抓取的页面信息如下图所示：



从上图可以看出，每一本书的信息都在<article class=”product_pod”>中，

书名信息在其下的h3 > a元素的title属性中，

书价信息在其下<p class=”price_color”>的TEXT中。

而下一页的URL链接地址在ul.pager > li.next > a里面，如下图所示：

2.3 实现Spider

下面就开始编写爬虫程序，在工程项目中Spider目录下新建bookspider.py，源代码如下所示：

# -*- coding: utf-8 -*-
"""
Created on Fri Jun 8 14:26:12 2017

@author: Administrator
"""

import scrapy

class BookSpider(scrapy.Spider):
#name属性，每一个爬虫的唯一标识
name = "books"
#定义爬虫的起始点，可以为多个
start_urls = ['http://books.toscrape.com/']

def parse(self,response):

'''
目标：提取书籍信息
分析：因为该网页每一本书的信息都是在<article class="product_pod">中，
因此，我们使用css()方法，找到所有这样的article元素，并依次迭代
'''
for book in response.css('article.product_pod'):
#书名在article > h3 > a 元素的title属性里.
name = book.xpath('./h3/a/@title').extract_first()

#书价信息在<p class="price_color">的text中.
price = book.css('p.price_color::text').extract_first()
yield{
'name':name,
'price':price,
}
'''
目标：提取下一页链接
分析：下一页的url在ul.pager > li.next > a里面.
'''
nextPage = response.css('ul.pager li.next a::attr(href)').extract_first()
if nextPage:
nextPage = response.urljoin(nextPage)
yield scrapy.Request(nextPage,callback=self.parse)

2.4 运行爬虫

在刚才新建的Scrapy工程目录运行爬虫books，并将数据导入books.csv文件中。

运行结果如下图所示：





数据文件book.csv部分数据情况如下图所示：