原文：https://blog.csdn.net/ssw_1990/article/details/51254227

提到Python与网络爬虫，可能会想到urllib，urllib2，BeautifulSoup，Scrapy等类库，本文主要总结Scrapy与网络爬虫。Scrapy是一个功能强大的网络爬虫类库，通过命令pip install scrapy进行安装，爬取的海量数据可以通过MongoDB进行存储，有了想要的数据集后就可以对其进行分析挖掘。

1. 实现一个简单的Scrapy网络爬虫

先用Scrapy实现一个采集网页的title字段，以对Scrapy有个直观的印象。

(1)新建wikiSpider项目

scrapy startproject wikiSpider

生成的项目结构，如下所示：

─Scrapy

└─wikiSpider

│ scrapy.cfg

│

└─wikiSpider

│ items.py

│ pipelines.py

│ settings.py

│ __init__.py

│

└─spiders

__init__.py

说明：scrapy.cfg：项目配置文件；wikiSpider/items.py：项目items文件；wikiSpider/pipelines.py：项目管道文件；wikiSpider/settings.py：项目配置文件；wikiSpider/spiders：放置spider的目录。

(2)创建Article类

在items.py文件中，定义Article类，如下所示：

from scrapy import Item, Field

class Article(Item):

title = Field()

(3)创建articleSpider.py文件

在wikiSpider/wikiSpider/spiders/文件夹中创建一个articleSpider.py文件，如下所示：

from scrapy.selector import Selector

from scrapy import Spider

from wikiSpider.items import Article

class ArticleSpider(Spider):

name = "article"

allowed_domains = ["en.wikipedia.org"]

start_urls = ["http://en.wikipedia.org/wiki/Main_Page",

"http://en.wikipedia.org/wiki/Python_%28programming_language%29"]

def parse(self,response):

item = Article()

title = response.xpath('//h1/text()')[0].extract()

print("Title is: "+title)

item['title'] = title

return item

(4)运行Scrapy网络爬虫

在wikiSpider主目录中运行ArticleSpider，如下所示：

scrapy crawl article

这个爬虫首先进入start_urls中的两个页面，然后收集信息，最后停止运行。Scrapy为爬虫的start_urls属性中的每个URL创建了一个scrapy.http.Request对象，并将爬虫的parse方法指定为回调函数。scrapy.http.Response对象被返回，结果也被反回给爬虫。

如果遇到错误[scrapy] ERROR: Error downloading : u'\xd8'，需要设置settings.py文件中的ROBOTSTXT_OBEY = False即可。

2. Scrapy基础知识

Scrapy使用基于XPath和CSS表达式机制从网页中提取数据。Selector有4个基本的方法，分别是xpath()，css()，extract()，re()。

(1)xpath

xpath是Scrapy下快速提取特定信息(比如title，head，href等)的一个接口。常用的表达式和描述，如下所示：

nodename：选取此节点的所有子节点。

/：从根节点选取。

//：从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。

.：选取当前节点。

..：选取当前节点的父节点。

@：选取属性。

(2)Scrapy shell

Scrapy终端是一个交互终端，供你在未启动spider的情况下尝试及调试你的爬取代码，可以用来测试XPath或CSS表达式，查看他们的工作方式及从爬取的网页中提取的数据。启动终端的命令为scrapy shell 。Scrapy终端根据下载的页面会自动创建一些方便使用的对象，如下所示：

crawler：当前Crawler对象。

spider：处理URL的spider。

request：最近获取到的页面的Request对象。

response：包含最近获取到的页面的Response对象。

sel：根据最近获取到的response构建的Selector对象。

settings：当前的Scrapy settings。

3. Scrapy工作原理

Scrapy使用Twisted异步网络库来处理网络通讯。整体架构如下所示：

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

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。

下载器(Downloader)：用于下载网页内容，并将网页内容返回给蜘蛛。

蜘蛛(Spiders)：蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。

项目管道(Item Pipeline)：负责处理有蜘蛛从网页中抽取的项目，主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

下载器中间件(Downloader Middlewares)：位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

蜘蛛中间件(Spider Middlewares)：介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。

调度中间件(Scheduler Middlewares)：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

4. BeautifulSoup基础知识

参考文献：

[1] 《Python网络数据采集》

[2] Scrapy：http://scrapy.org/

[3] Beautiful Soup：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

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

作者：1000sprites

来源：CSDN

原文：https://blog.csdn.net/ssw_1990/article/details/51254227

版权声明：本文为博主原创文章，转载请附上博文链接！