Scrapy 框架
（本文僅用作個(gè)人記錄）
-? Scrapy框架是用純python實(shí)現(xiàn)一個(gè)為了爬去網(wǎng)站數(shù)據(jù)伟恶，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架肤寝，用途非常廣泛眷蚓。
-?Scrapy 使用了 Twisted['tw?st?d](其主要對(duì)手是Tornado)異步網(wǎng)絡(luò)框架來(lái)處理網(wǎng)絡(luò)通訊慢逾，可以加快我們的下載速度阀圾，不用自己去實(shí)現(xiàn)異步框架哪廓，并且包含了各種中間件接口，可以靈活的完成各種需求初烘。
Scrapy 架構(gòu)圖
Scrapy Engine(引擎): 負(fù)責(zé)Spider涡真、ItemPipeline、Downloader肾筐、Scheduler中間的通訊哆料，信號(hào)、數(shù)據(jù)傳遞等吗铐。
Scheduler(調(diào)度器): 它負(fù)責(zé)接受引擎發(fā)送過(guò)來(lái)的Request請(qǐng)求东亦，并按照一定的方式進(jìn)行整理排列，入隊(duì)唬渗，當(dāng)引擎需要時(shí)典阵，交還給引擎。
Downloader（下載器）：負(fù)責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests請(qǐng)求镊逝，并將其獲取到的Responses交還給Scrapy Engine(引擎)萄喳，由引擎交給Spider來(lái)處理，
Spider（爬蟲）：它負(fù)責(zé)處理所有Responses,從中分析提取數(shù)據(jù)蹋半，獲取Item字段需要的數(shù)據(jù)他巨，并將需要跟進(jìn)的URL提交給引擎，再次進(jìn)入Scheduler(調(diào)度器)减江，
Item Pipeline(管道)：它負(fù)責(zé)處理Spider中獲取到的Item染突，并進(jìn)行進(jìn)行后期處理（詳細(xì)分析、過(guò)濾辈灼、存儲(chǔ)等）的地方.
Downloader Middlewares（下載中間件）：你可以當(dāng)作是一個(gè)可以自定義擴(kuò)展下載功能的組件份企。
Spider Middlewares（Spider中間件）：你可以理解為是一個(gè)可以自定擴(kuò)展和操作引擎和Spider中間通信的功能組件（比如進(jìn)入Spider的Responses;和從Spider出去的Requests）
Scrapy的運(yùn)行流程：
1.引擎：Hi！Spider, 你要處理哪一個(gè)網(wǎng)站巡莹？
2.Spider：老大要我處理xxxx.com司志。
3.引擎：你把第一個(gè)需要處理的URL給我吧。
4.Spider：給你降宅，第一個(gè)URL是xxxxxxx.com骂远。
5.引擎：Hi！調(diào)度器腰根，我這有request請(qǐng)求你幫我排序入隊(duì)一下激才。
6.調(diào)度器：好的，正在處理你等一下。
7.引擎：Hi瘸恼！調(diào)度器劣挫，把你處理好的request請(qǐng)求給我。
8.調(diào)度器：給你东帅，這是我處理好的request
9.引擎：Hi压固！下載器，你按照老大的下載中間件的設(shè)置幫我下載一下這個(gè)request請(qǐng)求
10.下載器：好的靠闭！給你帐我，這是下載好的東西。（如果失斞忠恪：sorry焚刚，這個(gè)request下載失敗了点弯。然后引擎告訴調(diào)度器扇调，這個(gè)request下載失敗了，你記錄一下抢肛，我們待會(huì)兒再下載）
11.引擎：Hi狼钮！Spider，這是下載好的東西捡絮，并且已經(jīng)按照老大的下載中間件處理過(guò)了熬芜，你自己處理一下（注意！這兒responses默認(rèn)是交給def parse()這個(gè)函數(shù)處理的）
12.Spider：（處理完畢數(shù)據(jù)之后對(duì)于需要跟進(jìn)的URL）福稳，Hi涎拉！引擎，我這里有兩個(gè)結(jié)果的圆，這個(gè)是我需要跟進(jìn)的URL鼓拧，還有這個(gè)是我獲取到的Item數(shù)據(jù)。
13.引擎：Hi 越妈！管道?我這兒有個(gè)item你幫我處理一下季俩！調(diào)度器！這是需要跟進(jìn)URL你幫我處理下梅掠。然后從第四步開(kāi)始循環(huán)酌住，直到獲取完老大需要全部信息。
14.管道``調(diào)度器：好的阎抒，現(xiàn)在就做酪我！
（只有當(dāng)調(diào)度器中不存在任何request時(shí)，整個(gè)程序才會(huì)停止且叁，對(duì)于下載失敗的URL祭示，Scrapy會(huì)重新下載。）
制作Scapy爬蟲的步驟：
新建項(xiàng)目 (scrapy startproject xxx)：新建一個(gè)新的爬蟲項(xiàng)目
明確目標(biāo) （編寫items.py）：明確你想要抓取的目標(biāo)
制作爬蟲 （spiders/xxspider.py）：制作爬蟲開(kāi)始爬取網(wǎng)頁(yè)
存儲(chǔ)內(nèi)容 （pipelines.py）：設(shè)計(jì)管道存儲(chǔ)爬取內(nèi)容?
Scrapy實(shí)例：
我們要爬取的網(wǎng)站為：http://quotes.toscrape.com/，這是一個(gè)英文版的名人名言網(wǎng)站质涛。如下圖所示稠歉。
1.新建項(xiàng)目：
進(jìn)入任意一個(gè)文件夾，直接使用scrapy命令生成項(xiàng)目：
scrapy stratproject tutorial
命令將會(huì)創(chuàng)建一個(gè)tutorial 文件夾汇陆，文件夾結(jié)構(gòu)如下圖所示怒炸。
----scrapy.cfg? ? ? ? ? ? ? ? ? ? ? ? ? ? #Scrapy部署時(shí)的配置文件
----tutorial
????---------__init__.py? ? ? ? ? ? ? ? #里面內(nèi)容為空，但必須要有毡代，不可刪除
????---------items.py? ? ? ? ? ? ? ? ? ? #Items的定義阅羹，定義爬取的數(shù)據(jù)結(jié)構(gòu)
????---------middlewares.py? ? ? ? #定義爬取時(shí)的中間件
????---------pipelines.py? ? ? ? ? ? ? #定義數(shù)據(jù)管道
????---------settings.py? ? ? ? ? ? ? ? #配置文件
? ? ---------spiders文件夾? ? ? ? ? ? #放置Spiders的文件夾
進(jìn)入tutorial文件夾，生成爬蟲：
scrapy genspider quotes quotes.toscrape.com
(genspider 第一個(gè)參數(shù)是Spider的名稱教寂，第二個(gè)參數(shù)是指定爬取域的范圍)
執(zhí)行完畢之后，spiders文件夾下多了一個(gè)quotes.py
2.明確目標(biāo)：創(chuàng)建Item
打開(kāi) items.py
我們要抓取該網(wǎng)站的 名言文本酪耕，作者以及標(biāo)簽。
所以items.py 修改如下：
注意定義的類名為 QuotesItem,且需要繼承scrapy.Item類却盘。
3.制作爬蟲
打開(kāi)spiders 文件夾下的quotes.py
初始內(nèi)容如下：
name：每個(gè)項(xiàng)目唯一的名字
allowed_domains ：允許爬取的域名，如果初始或者后續(xù)的請(qǐng)求鏈接不是這個(gè)域名下的，則請(qǐng)求鏈接會(huì)被過(guò)濾掉
start_urls ：起始url驶睦，第一個(gè)請(qǐng)求鏈接
parse() ：解析方法廉羔，當(dāng)下載器完成請(qǐng)求之后髓削，返回的響應(yīng)就是該方法的response 參數(shù)。該方法負(fù)責(zé)解析返回的響應(yīng)、提取數(shù)據(jù)或者生成下一步請(qǐng)求。
根據(jù)對(duì)網(wǎng)頁(yè)結(jié)構(gòu)的分析，我們使用css選擇器提取數(shù)據(jù)男应。結(jié)果如下。
next 是用來(lái)獲取下一頁(yè)的鏈接筛峭。
對(duì)于后續(xù)請(qǐng)求，我們構(gòu)造請(qǐng)求需要用到 scrapy.Request。這里傳遞兩個(gè)參數(shù)，url和callback灌灾。
url是請(qǐng)求鏈接诗祸，callback 是回調(diào)函數(shù)功偿。當(dāng)指定了該回調(diào)函數(shù)的請(qǐng)求完成之后，獲取到相應(yīng)，引擎會(huì)將該響應(yīng)作為參數(shù)傳遞給這個(gè)回調(diào)函數(shù)崖叫≈校回調(diào)函數(shù)進(jìn)行解析或者生成下一步請(qǐng)求。這里的回調(diào)函數(shù)仍然使用parse進(jìn)行解析疆液。這樣爬蟲就進(jìn)入了一個(gè)循環(huán)一铅。
最后使用yield 返回該請(qǐng)求：yield scrapy.Request(url=url, callback=self.parse)
理論上，此爬蟲程序已經(jīng)可以完成爬取堕油，但是我們沒(méi)有將爬取結(jié)果保存下來(lái)潘飘，爬取內(nèi)容只會(huì)在終端顯示肮之。我們需要把爬取結(jié)果保存到數(shù)據(jù)庫(kù)。
4.存儲(chǔ)結(jié)果
如果只是保存到文件卜录，我們可以不需要編寫任何文件戈擒，只需要執(zhí)行爬蟲程序時(shí) 在后面加上?
- o? quotes.json
完整命令：scrapy crwal quotes -o quotes.json
那么在tutorial 文件夾下就多處一個(gè) quotes.json 文件。
如果保存到數(shù)據(jù)庫(kù)艰毒，就需要編寫pipelines.py 文件筐高。
"""
Item Pipeline 為項(xiàng)目管道，當(dāng)Item生成后丑瞧，它會(huì)自動(dòng)被送到ItemPipeline進(jìn)行處理柑土，
常用來(lái)：
清理HTml數(shù)據(jù)
驗(yàn)證爬取數(shù)據(jù)
查重去重
保存到數(shù)據(jù)庫(kù)
"""
實(shí)現(xiàn)Item Pipeline很簡(jiǎn)單，只需實(shí)現(xiàn) process_item(self, item, spider) 方法即可绊汹。Item Pipeline啟動(dòng)之后會(huì)自動(dòng)調(diào)用這個(gè)方法稽屏。process_item 方法必須返回包含數(shù)據(jù)的字典或者Item對(duì)象，或者拋出 DropItem 異常西乖。
接下來(lái)我們實(shí)現(xiàn) 篩選掉text長(zhǎng)度大于100的Item狐榔，并將結(jié)果保存到MySQL數(shù)據(jù)庫(kù)。
TutorialPipelin 類的 process_item 方法已經(jīng)實(shí)現(xiàn)了篩選的功能获雕。
要實(shí)現(xiàn)保存到數(shù)據(jù)的功能薄腻，我們還需要自己定義一個(gè)類---MySQLPipeline 類名可以隨意取。
定義好這兩個(gè)類之后届案，需要在settings.py 中使用他們庵楷。
啟用 ITEM_PIPELINES 配置，注意要類名一致萝玷。鍵值為優(yōu)先級(jí)嫁乘，數(shù)字越小優(yōu)先級(jí)越高昆婿。
之后球碉，命令行執(zhí)行? scrapy crawl quotes，可以看到一些scrapy的執(zhí)行情況仓蛆。
最后打開(kāi)數(shù)據(jù)庫(kù)睁冬，看一下保存情況。需要提前建好表看疙。
至此豆拨，我們就已經(jīng)完成了Quotes網(wǎng)站的Scrapy抓取的簡(jiǎn)單入門。
PS:
from? scrapy.utils.project? import? get_project_settings
self.host = get_project_settings.get("MYSQL_HOST")
這個(gè)方法也可以從settings.py里面獲取全局配置信息能庆。
