第一，認識Scrapy

Scrapy 是用 Python 實現的一個為了爬取網站數據、提取結構性數據而編寫的應用框架。
Scrapy架構圖(綠線是數據流向)

Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等。

Scheduler(調度器): 它負責接受引擎發送過來的Request請求，并按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

Spider（爬蟲）：它負責處理所有Responses,從中分析提取數據，獲取Item字段需要的數據，并將需要跟進的URL提交給引擎，再次進入Scheduler(調度器).

Item Pipeline(管道)：它負責處理Spider中獲取到的Item，并進行進行后期處理（詳細分析、過濾、存儲等）的地方。

Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。

Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）

第二，scrapy爬蟲流程

Scrapy的運作流程
代碼寫好，程序開始運行…

1 引擎：Hi！Spider, 你要處理哪一個網站？
2 Spider：老大要我處理xxxx.com。
3 引擎：你把第一個需要處理的URL給我吧。
4 Spider：給你，第一個URL是xxxxxxx.com。
5 引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。
6 調度器：好的，正在處理你等一下。
7 引擎：Hi！調度器，把你處理好的request請求給我。
8 調度器：給你，這是我處理好的request
9 引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求
10 下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）
11 引擎：Hi！Spider，這是下載好的東西，并且已經按照老大的下載中間件處理過了，你自己處理一***意！這兒responses默認是交給def parse()這個函數處理的）
12 Spider：（處理完畢數據之后對于需要跟進的URL），Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。
13 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環，直到獲取完老大需要全部信息。
14 管道調度器：好的，現在就做！
注意！只有當調度器中不存在任何request了，整個程序才會停止，（也就是說，對于下載失敗的URL，Scrapy也會重新下載。）

第三，制作 Scrapy 爬蟲 步驟：

1.新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目
2.明確目標 （編寫items.py）：明確你想要抓取的目標
3.制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁
4.存儲內容 （pipelines.py）：設計管道存儲爬取內容

第四，安裝

Windows 安裝方式
升級 pip 版本：

pip install --upgrade pip

通過 pip 安裝 Scrapy 框架:

pip install Scrapy

Ubuntu 安裝方式：
安裝非 Python 的依賴:

sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

通過 pip 安裝 Scrapy 框架：

sudo pip install scrapy

Mac OS 安裝方式：
對于Mac OS系統來說，由于系統本身會引用自帶的python2.x的庫，因此默認安裝的包是不能被刪除的，但是你用python2.x來安裝Scrapy會報錯，用python3.x來安裝也是報錯，我最終沒有找到直接安裝Scrapy的方法，所以我用另一種安裝方式來說一下安裝步驟，解決的方式是就是使用virtualenv來安裝。

$ sudo pip install virtualenv
$ virtualenv scrapyenv
$ cd scrapyenv
$ source bin/activate
$ pip install Scrapy

安裝后，只要在命令終端輸入 scrapy，提示類似以下結果，代表已經安裝成功。

第五，案例

一、在開始爬蟲必須創建一個新的Scrapy項目。進入自定義的項目目錄中，運行下列命令：

scrapy startproject mySpider

其中， mySpider 為項目名稱，可以看到將會創建一個 mySpider 文件夾，目錄結構大致如下：

下面來簡單介紹一下各個主要文件的作用：

mySpider/
    scrapy.cfg
    mySpider/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

這些文件分別是:

1.scrapy.cfg: 項目的配置文件。
2.mySpider/: 項目的Python模塊，將會從這里引用代碼。
3.mySpider/items.py: 項目的目標文件。
4.mySpider/pipelines.py: 項目的管道文件。
5.mySpider/settings.py: 項目的設置文件。
6.mySpider/spiders/: 存儲爬蟲代碼目錄。
二、明確目標(mySpider/items.py)
我們打算抓取 http://www.itcast.cn/channel/teacher.shtml 網站里的所有講師的姓名、職稱和個人信息。

打開 mySpider 目錄下的 items.py。

Item 定義結構化數據字段，用來保存爬取到的數據，有點像 Python 中的 dict，但是提供了一些額外的保護減少錯誤。

可以通過創建一個 scrapy.Item 類， 并且定義類型為 scrapy.Field 的類屬性來定義一個 Item（可以理解成類似于 ORM 的映射關系）。

接下來，創建一個 ItcastItem 類，和構建 item 模型（model）。

import scrapy

class ItcastItem(scrapy.Item):
   name = scrapy.Field()
   title = scrapy.Field()
   info = scrapy.Field()

三、制作爬蟲
爬蟲分兩步，
1，爬數據
在當前目錄下輸入命令，將在mySpider/spider目錄下創建一個名為itcast的爬蟲，并指定爬取域的范圍：

scrapy genspider itcast "itcast.cn"

打開 mySpider/spider目錄里的 itcast.py，默認增加了下列代碼:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

其實也可以由我們自行創建itcast.py并編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩

要建立一個Spider， 你必須用scrapy.Spider類創建一個子類，并確定了三個強制的屬性 和 一個方法。

name = “” ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

allow_domains = [] 是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

start_urls = () ：爬取的URL元祖/列表。爬蟲從這里開始抓取數據，所以，第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

parse(self, response) ：解析的方法，每個初始URL完成下載后將被調用，調用的時候傳入從每一個URL傳回的Response對象來作為唯一參數，主要作用如下：

負責解析返回的網頁數據(response.body)，提取結構化數據(生成item)
生成需要下一頁的URL請求。
將start_urls的值修改為需要爬取的第一個url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法：

def parse(self, response):
    filename = "teacher.html"
    open(filename, 'w').write(response.body)

然后運行一下看看，在mySpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲名。

運行之后，如果打印的日志出現 [scrapy] INFO: Spider closed (finished)，代表執行完成。 之后當前文件夾中就出現了一個 teacher.html 文件，里面就是我們剛剛要爬取的網頁的全部源代碼信息。

注意: Python2.x默認編碼環境是ASCII，當和取回的數據編碼格式不一致時，可能會造成亂碼；我們可以指定保存內容的編碼格式，一般情況下，我們可以在代碼最上方添加

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

這三行代碼是 Python2.x 里解決中文編碼的萬能鑰匙，經過這么多年的吐槽后 Python3 學乖了，默認編碼是Unicode了…
2. 取數據

爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

是不是一目了然？直接上 XPath 開始提取數據吧。

xpath 方法，我們只需要輸入的 xpath 規則就可以定位到相應 html 標簽節點
不會 xpath 語法沒關系，Chrome 給我們提供了一鍵獲取 xpath 地址的方法（右鍵->檢查->copy->copy xpath）,如下圖:

這里給出一些 XPath 表達式的例子及對應的含義:

/html/head/title: 選擇HTML文檔中 標簽內的

# -*- coding: utf-8 -*-
import scrapy

# 以下三行是在 Python2.x版本中解決亂碼問題，Python3.x 版本的可以去掉
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

class Opp2Spider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.com']
    start_urls = ['http://www.itcast.cn/']

    def parse(self, response):
        # 獲取網站標題
        context = response.xpath('/html/head/title/text()')   
       
        # 提取網站標題
        title = context.extract_first()  
        print(title) 
        pass

執行以下命令：

$ scrapy crawl itcast
...
...
傳智播客官網-好口碑IT培訓機構,一樣的教育,不一樣的品質
...
...

我們之前在 mySpider/items.py 里定義了一個 ItcastItem 類。 這里引入進來:

from mySpider.items import ItcastItem

然后將我們得到的數據封裝到一個 ItcastItem 對象中，可以保存每個老師的屬性：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老師信息的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 將我們得到的數據封裝到一個 `ItcastItem` 對象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一個元素的列表
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        items.append(item)

    # 直接返回最后數據
    return items

我們暫時先不處理管道，后面會詳細介紹。

保存數據
scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，命令如下：

scrapy crawl itcast -o teachers.json

json lines格式，默認為Unicode編碼

scrapy crawl itcast -o teachers.jsonl

csv 逗號表達式，可用Excel打開

scrapy crawl itcast -o teachers.csv

xml格式

scrapy crawl itcast -o teachers.xml

思考
如果將代碼改成下面形式，結果完全一樣。

請思考 yield 在這里的作用(Python yield 使用淺析)：

# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import ItcastItem

# 以下三行是在 Python2.x版本中解決亂碼問題，Python3.x 版本的可以去掉
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

class Opp2Spider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.com']
    start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

    def parse(self, response):
        #open("teacher.html","wb").write(response.body).close()

        # 存放老師信息的集合
        items = []

        for each in response.xpath("//div[@class='li_txt']"):
            # 將我們得到的數據封裝到一個 `ItcastItem` 對象
            item = ItcastItem()
            #extract()方法返回的都是unicode字符串
            name = each.xpath("h3/text()").extract()
            title = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()

            #xpath返回的是包含一個元素的列表
            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]

            items.append(item)

        # 直接返回最后數據
        return items

第六，總結

最開始下載scrapy模塊時要注意是否跟操作系統兼容，不兼容則要考慮換python版本，不過這種情況比較少，還有就是我們在安裝時會出現下載不了的情況，具體情況請移步博文主頁，里面有詳細記錄以及解決辦法，希望對大家有用！！！