学python，怎么能不学习scrapy呢，这篇博客带你学会它

水深无声 2022-09-16 15:14 151阅读 0赞

在正式编写爬虫案例前，先对 `scrapy` 进行一下系统的学习。

## scrapy 安装与简单运行 ##

使用命令 `pip install scrapy` 进行安装，成功之后，还需要随手收藏几个网址，以便于后续学习使用。

*  scrapy 官网：[https://scrapy.org][https_scrapy.org]；
 *  scrapy 文档：[https://doc.scrapy.org/en/latest/intro/tutorial.html][https_doc.scrapy.org_en_latest_intro_tutorial.html]；
 *  scrapy 更新日志：[https://docs.scrapy.org/en/latest/news.html][https_docs.scrapy.org_en_latest_news.html]。

安装完毕之后，在控制台直接输入 `scrapy`，出现如下命令表示安装成功。

> scrapy
    Scrapy 2.5.0 - no active project
    
    Usage:
      scrapy <command> [options] [args]
    
    Available commands:

![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42]  
上述截图是 `scrapy` 的内置命令列表，标准的格式的 `scrapy <command> <options> <args>`，通过 `scrapy <command> -h` 可以查看指定命令的帮助手册。

`scrapy` 中提供两种类型的命令，一种是全局的，一种的项目中的，后者需要进入到 `scrapy` 目录才可运行。

这些命令无需一开始就完全记住，随时可查，有几个比较常用，例如：

\*\*`scrpy startproject <项目名>` \*\*

该命令先依据 **项目名** 创建一个文件夹，然后再文件夹下创建于个 `scrpy` 项目，这一步是后续所有代码的起点。

> scrapy startproject my_scrapy
    > New Scrapy project 'my_scrapy', using template directory 'e:\pythonproject\venv\lib\site-packages\scrapy\templates\project', created in:  # 一个新的 scrapy 项目被创建了，使用的模板是 XXX，创建的位置是 XXX
        E:\pythonProject\滚雪球学Python第4轮\my_scrapy
    You can start your first spider with:  # 开启你的第一个爬虫程序
        cd my_scrapy   # 进入文件夹
        scrapy genspider example example.com # 使用项目命令创建爬虫文件

上述内容增加了一些注释，可以比对着进行学习，默认生成的文件在 python 运行时目录，如果想修改项目目录，请使用如下格式命令：

scrapy startproject myproject [project_dir]

例如

scrapy startproject myproject d:/d1

命令依据模板创建出来的项目结构如下所示，其中红色下划线的是项目目录，而绿色下划线才是 `scrapy` 项目，如果想要运行项目命令，则必须先进入红色下划线 `my_scrapy` 文件夹，在项目目录中才能控制项目。  
![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 1]  
**下面生成一个爬虫文件**  
使用命令 `scrapy genspider [-t template] <name> <domain>` 生成爬虫文件，该方式是一种快捷操作，也可以完全手动创建。创建的爬虫文件会出现在 当前目录或者项目文件夹中的 `spiders` 文件夹中，`name` 是爬虫名字，`domain` 用在爬虫文件中的 `alowed_domains` 和 `start_urls` 数据中，`[-t template]` 表示可以选择生成文件模板。

查看所有模板使用如下命令，默认模板是 `basic`。

> scrapy genspider -l
      basic
      crawl
      csvfeed
      xmlfeed

创建第一个 `scrapy` 爬虫文件，测试命令如下：

>scrapy genspider pm imspm.com
    Created spider 'pm' using template 'basic' in module:
      my_project.spiders.pm

此时在 `spiders` 文件夹中，出现 `pm.py` 文件，该文件内容如下所示：

import scrapy
    
    
    class PmSpider(scrapy.Spider):
        name = 'pm'
        allowed_domains = ['imspm.com']
        start_urls = ['http://imspm.com/']
    
        def parse(self, response):
            pass

**测试 scrapy 爬虫运行**  
使用命令 `scrapy crawl <spider>`，`spider` 是上文生成的爬虫文件名，出现如下内容，表示爬虫正确加载。

>scrapy crawl pm
    2021-10-02 21:34:34 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: my_project)
    [...]

## scrapy 基本应用 ##

`scrapy` 工作流程非常简单：

1.  采集第一页网页源码；
2.  解析第一页源码，并获取下一页链接；
3.  请求下一页网页源码；
4.  解析源码，并获取下一页源码；
5.  \[…\]
6.  过程当中，提取到目标数据之后，就进行保存。

接下来为大家演示 `scrapy` 一个完整的案例应用，作为 爬虫 120 例 scrapy 部分的第一例。

> scrapy startproject my_project 爬虫
    > cd 爬虫
    > scrapy genspider pm imspm.com

获得项目结构如下：  
![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 2]  
上图中一些文件的简单说明。

*  `scrapy.cfg`：配置文件路径与部署配置；
 *  `items.py`：目标数据的结构；
 *  `middlewares.py`：中间件文件；
 *  `pipelines.py`：管道文件；
 *  `settings.py`：配置信息。

使用 `scrapy crawl pm` 运行爬虫之后，所有输出内容与说明如下所示：

![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 3]  
上述代码请求次数为 7 次，原因是在 `pm.py` 文件中默认没有添加 `www`，如果增加该内容之后，请求次数变为 4。

![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 4]  
现在的 `pm.py` 文件代码如下所示：

import scrapy
    
    
    class PmSpider(scrapy.Spider):
        name = 'pm'
        allowed_domains = ['www.imspm.com']
        start_urls = ['http://www.imspm.com/']
    
        def parse(self, response):
            print(response.text)

其中的 `parse` 表示请求 `start_urls` 中的地址，获取响应之后的回调函数，直接通过参数 `response` 的 `.text` 属性进行网页源码的输出。  
![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 5]  
**获取到源码之后，要对源码进行解析与存储**  
在存储之前，需要手动定义一个数据结构，该内容在 `items.py` 文件实现，对代码中的类名进行了修改，`MyProjectItem` → `ArticleItem`。

import scrapy
    
    class ArticleItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        title = scrapy.Field()  # 文章标题
        url = scrapy.Field()  # 文章地址
        author = scrapy.Field()  # 作者

修改 `pm.py` 文件中的 `parse` 函数，增加网页解析相关操作，该操作类似 `pyquery` 知识点，直接观察代码即可掌握。

def parse(self, response):
            # print(response.text)
            list_item = response.css('.list-item-default')
            # print(list_item)
            for item in list_item:
                title = item.css('.title::text').extract_first()  # 直接获取文本
                url = item.css('.a_block::attr(href)').extract_first() # 获取属性值
                author = item.css('.author::text').extract_first()  # 直接获取文本
                print(title, url, author)

其中 `response.css` 方法返回的是一个选择器列表，可以迭代该列表，然后对其中的对象调用 `css` 方法。

*  `item.css('.title::text')`，获取标签内文本；
 *  `item.css('.a_block::attr(href)')`，获取标签属性值；
 *  `extract_first()`：解析列表第一项；
 *  `extract()`：获取列表。

在 `pm.py` 中导入 `items.py` 中的 `ArticleItem` 类，然后按照下述代码进行修改：

def parse(self, response):
            # print(response.text)
            list_item = response.css('.list-item-default')
            # print(list_item)
            for i in list_item:
                item = ArticleItem()
                title = i.css('.title::text').extract_first()  # 直接获取文本
                url = i.css('.a_block::attr(href)').extract_first()  # 获取属性值
                author = i.css('.author::text').extract_first()  # 直接获取文本
                # print(title, url, author)
                # 对 item 进行赋值
                item['title'] = title
                item['url'] = url
                item['author'] = author
                yield item

此时在运行 `scrapy` 爬虫，就会出现如下提示信息。  
![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 6]

> 此时完成了一个单页爬虫

接下来对 `parse` 函数再次改造，使其在解析完第 1 页之后，可以解析第 2 页数据。

上述代码中，变量 `next` 表示下一页地址，通过 `response.css` 函数获取链接，其中的 `css` 选择器请重点学习。  
`yield scrapy.Request(url=next, callback=self.parse)` 表示再次创建一个请求，并且该请求的回调函数是 `parse` 本身，代码运行效果如下所示。  
![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 7]  
如果想要保存运行结果，运行下面的命令即可。

scrapy crawl pm -o pm.json

![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 8]  
如果想要将每条数据存储为单独一行，使用如下命令即可 `scrapy crawl pm -o pm.jl` 。

![python scrapy 怕学不会？看这篇就可以了。爬虫120例第42例，采集超级产品经理频道][python scrapy _120_42 9]

> 生成的文件还支持 csv 、 xml、marchal、pickle ，可自行尝试。

**下面将数据管道利用起来**  
打开 `pipelines.py` 文件，修改类名 `MyProjectPipeline` → `TitlePipeline`，然后编入如下代码：

class TitlePipeline:
        def process_item(self, item, spider):  # 移除标题中的空格
            if item["title"]:
                item["title"] = item["title"].strip()
                return item
            else:
                return DropItem("异常数据")

该代码用于移除标题中的左右空格。

编写完毕，需要在 `settings.py` 文件中开启 `ITEM_PIPELINES` 配置。

ITEM_PIPELINES = { 
       'my_project.pipelines.TitlePipeline': 300,
    }

`300` 是 `PIPELINES` 运行的优先级顺序，根据需要修改即可。再次运行爬虫代码，会发现标题的左右空格已经被移除。

> 到此 scrapy 的一个基本爬虫已经编写完毕。

--------------------

# scrapy imspm.com 超级产品经理频道爬虫 #

## 写在后面 ##

> 今天是持续写作的第 245 / 365 天。  
> 期待 关注，点赞、评论、收藏。

**更多精彩**

[《爬虫 100 例，专栏销售中，买完就能学会系列专栏》][100]  
![python 协程第4课，目标数据源为 mp3 ，目标站点为 bensound.com][python _4_ mp3 _ bensound.com]

↓ ↓ ↓ ↓完整代码↓ ↓ ↓ ↓

[https_scrapy.org]: https://scrapy.org
[https_doc.scrapy.org_en_latest_intro_tutorial.html]: https://doc.scrapy.org/en/latest/intro/tutorial.html
[https_docs.scrapy.org_en_latest_news.html]: https://docs.scrapy.org/en/latest/news.html
[python scrapy _120_42]: /images/20220828/834e76e6cabb40a0b8f7856fbfbd5050.png
[python scrapy _120_42 1]: /images/20220828/894f00cfc3e7448188e72aaf1fbef5c6.png
[python scrapy _120_42 2]: /images/20220828/a6ea68fa17b148b1bd283e9e0c28a03e.png
[python scrapy _120_42 3]: /images/20220828/b2af5647c3164d7d96c6a7b6a2374a90.png
[python scrapy _120_42 4]: /images/20220828/54331b4bd2da4a6aa37f5cfa6256f6d7.png
[python scrapy _120_42 5]: /images/20220828/b24ccb21cf31472da745d1bf8a2297cc.png
[python scrapy _120_42 6]: /images/20220828/262818ac2e0c4982827a84142ac0c58e.png
[python scrapy _120_42 7]: /images/20220828/84a898ac519e4b6587ba20572ef35727.png
[python scrapy _120_42 8]: /images/20220828/9b1d7e6815c24edd9e5a4f6da5189287.png
[python scrapy _120_42 9]: /images/20220828/81c5345102c346719f5394926880d7dd.png
[100]: https://blog.csdn.net/hihell/category_9280209.html
[python _4_ mp3 _ bensound.com]: /images/20220828/8c93e08d394846efbab57afeec00d037.png