scrapy框架真的是很强大。非常值得学习一下。本身py就追求简洁，所以本身代码量很少却能写出很强大的功能。对比java来说。不过py的语法有些操蛋，比如没有智能提示。动态语言的通病。我也刚学习不到1周时间。记录一下。全部干货。

首先安装scrapy框架。选择的ide是pycharm。

创建一个scrapy项目。项目名称xxoo

scrapy startproject xxoo

会得到一个项目目录。具体目录的作用自己百度下。然后再用一条命令创建一个爬虫类。就是一个模板。帮我们创建好的类。我们只需要写逻辑就行。程序员的天性就是懒！！！

意思是创建了一个xxooSpider的类  这个类只爬取baidu.com这个网站

scrapy genspider [-t template] 即：scrapy genspider xxooSpider baidu.com

在pycharm中调试项目。

需要特殊配置下。

在根目录下创建一个start.py的文件。 -o itcast1.csv  是输出到csv文件中。可以不加

from scrapy importcmdline

cmdline.execute("scrapy crawl xxooSpider --nolog -o itcast1.csv".split())

就ok了。

使用豆瓣镜像源下载

pip install -i https://pypi.doubanio.com/simple/ scrapy-splash

获取setting.py中的值

from scrapy.conf importsettings

cookie= settings['COOKIE']

获取图片的url地址

大牛通常使用这个方法。原因是，我们一般情况下也可以直接得到src属性的值。但是，有时候src属性的值没有带网址前缀，比如说是/img/1.png这样。我们需要手动加上http://www.baidu.com才可以。用下面这个方法。可以很简单的解决这个问题。

from urllib importparse

url="http://www.baidu.com/xx"xx="/pic/1/1.png"urljoin=parse.urljoin(url, xx)print(urljoin)

http://www.baidu.com/pic/1/1.png

下载图片

scrapy给我们提供好了图片下载的模板。我们只需要在setting中指定一下管道中间件，和需要下载的字段。需要下载的字段值一定是数组类型，不然报错

ITEM_PIPELINES ={'xxoo.pipelines.XxooPipeline': 300,'scrapy.pipelines.images.ImagesPipeline': 1,

}#在item中定义图片url的字段，ImagesPipeline会自动下载这个url地址

IMAGES_URLS_FIELD="image"

#存放的路径,根目录下的img文件夹

IMAGES_STORE=os.path.join(os.path.abspath(os.path.dirname(__file__)),"img")

但是按照上面的写的话，全部都是由scrapy帮我们做了，自己生成文件夹，文件名。非常不可控。如果我们想自定义的话。我们需要继承ImagesPipeline类，重写几个方法

from scrapy.pipelines.images importImagesPipelineimportrefrom scrapy importRequestclassImagesrenamePipeline(ImagesPipeline):#1看源码可以知道，这个方法只是遍历出我们指定的图片字段，是个数组，然后一个一个请求

defget_media_requests(self, item, info):#循环每一张图片地址下载，若传过来的不是集合则无需循环直接yield

for image_url in item['imgurl']:#meta里面的数据是从spider获取，然后通过meta传递给下面方法：file_path

yield Request(image_url,meta={'name':item['imgname']})#2重命名，若不重写这函数，图片名为哈希，就是一串乱七八糟的名字

def file_path(self, request, response=None, info=None):#提取url前面名称作为图片名。

image_guid = request.url.split('/')[-1]#接收上面meta传递过来的图片名称

name = request.meta['name']#过滤windows字符串，不经过这么一个步骤，你会发现有乱码或无法下载

name = re.sub(r'[？\\*|“<>:/]', '', name)#分文件夹存储的关键：{0}对应着name；{1}对应着image_guid

filename = u'{0}/{1}'.format(name, image_guid)returnfilename#3这个是请求完成之后走的方法，我们可以得到请求的url和存放的地址

defitem_completed(self, results, item, info):pass

保存item到json文件

自定义的

importcodecsimportjsonclassjsonwrite(object):#初始化，打开文件

def __init__(self):

self.file= codecs.open("xxoo.json", "w",encoding="utf-8")#scrapy会走这个方法进行item的写入

defprocess_item(self,item,spider):

self.file.write(json.dumps(dict(item),ensure_ascii=False) + "\n")#通常是关闭文件的操作

defspider_closed(self,spider):

self.file.close()

scrapy给我们提供的

from scrapy.exporters importJsonItemExporterclassJsonExporterPipleline(object):#调用scrapy提供的json export导出json文件

def __init__(self):

self.file= open('articleexport.json', 'wb')

self.exporter= JsonItemExporter(self.file, encoding="utf-8", ensure_ascii=False)

self.exporter.start_exporting()defclose_spider(self, spider):

self.exporter.finish_exporting()

self.file.close()defprocess_item(self, item, spider):

self.exporter.export_item(item)return item

保存到mysql中(两种方法)

importMySQLdbimportMySQLdb.cursorsfrom twisted.enterprise importadbapiclassMysqlPipeline(object):#采用同步的机制写入mysql

def __init__(self):

self.conn= MySQLdb.connect('192.168.0.106', 'root', 'root', 'article_spider', charset="utf8", use_unicode=True)

self.cursor=self.conn.cursor()defprocess_item(self, item, spider):

insert_sql= """insert into jobbole_article(title, url, create_date, fav_nums)

VALUES (%s, %s, %s, %s)"""self.cursor.execute(insert_sql, (item["title"], item["url"], item["create_date"], item["fav_nums"]))

self.conn.commit()

#采用异步数据库连接池的方法classMysqlTwistedPipline(object):def __init__(self, dbpool):

self.dbpool=dbpool

@classmethoddeffrom_settings(cls, settings):

dbparms=dict(

host= settings["MYSQL_HOST"],

db= settings["MYSQL_DBNAME"],

user= settings["MYSQL_USER"],

passwd= settings["MYSQL_PASSWORD"],

charset='utf8',

cursorclass=MySQLdb.cursors.DictCursor,

use_unicode=True,

)

dbpool= adbapi.ConnectionPool("MySQLdb", **dbparms)returncls(dbpool)defprocess_item(self, item, spider):#使用twisted将mysql插入变成异步执行

query =self.dbpool.runInteraction(self.do_insert, item)

query.addErrback(self.handle_error, item, spider)#处理异常

defhandle_error(self, failure, item, spider):#处理异步插入的异常

print(failure)defdo_insert(self, cursor, item):#执行具体的插入

#根据不同的item 构建不同的sql语句并插入到mysql中

insert_sql, params =item.get_insert_sql()

cursor.execute(insert_sql, params)

优化item类(重要)

我们可以用xpath或者css解析页面，然后写一些判断逻辑。如果你不嫌麻烦的话。

scrapy给我们提供了一整套的流程。可以让代码变得非常精简。处理item的业务逻辑在item中写。爬虫文件只写item的生成规则。

先看item类

from scrapy.loader importItemLoaderfrom scrapy.loader.processors importMapCompose, TakeFirst, Join#一个小技巧，可以覆盖默认的规则，就是TakeFirst()把列表转换成字符串，我们这里不让转成字符串，还是数组

defreturn_value(value):returnvalue#因为通过自带的ItemLoader类生成的item_loader他都是list，所以我们自定义下。默认的处理规则(可以单个字段覆盖)，这样就不用每个字段都写重复的代码了

classArticleItemLoader(ItemLoader):#自定义itemloader

default_output_processor =TakeFirst()#自定义的item类。input_processor是指需要处理的业务逻辑，比如一些格式的转换什么的，output_processor可以覆盖默认的规则。

classJobBoleArticleItem(scrapy.Item):

title=scrapy.Field()

create_date=scrapy.Field(

input_processor=MapCompose(date_convert),

)

url=scrapy.Field()

url_object_id=scrapy.Field()

front_image_url=scrapy.Field(

output_processor=MapCompose(return_value)

)

front_image_path=scrapy.Field()

praise_nums=scrapy.Field(

input_processor=MapCompose(get_nums)

)

comment_nums=scrapy.Field(

input_processor=MapCompose(get_nums)

)

fav_nums=scrapy.Field(

input_processor=MapCompose(get_nums)

)

tags=scrapy.Field(

input_processor=MapCompose(remove_comment_tags),

output_processor=Join(",")

)

content= scrapy.Field()

爬虫类

from scrapy.loader importItemLoaderfrom ArticleSpider.items importJobBoleArticleItem, ArticleItemLoaderdefparse_detail(self, response):

article_item=JobBoleArticleItem()#通过item loader加载item

front_image_url = response.meta.get("front_image_url", "") #文章封面图

item_loader = ArticleItemLoader(item=JobBoleArticleItem(), response=response)

item_loader.add_css("title", ".entry-header h1::text")

item_loader.add_value("url", response.url)

item_loader.add_value("url_object_id", get_md5(response.url))

item_loader.add_css("create_date", "p.entry-meta-hide-on-mobile::text")

item_loader.add_value("front_image_url", [front_image_url])

item_loader.add_css("praise_nums", ".vote-post-up h10::text")

item_loader.add_css("comment_nums", "a[href='#article-comment'] span::text")

item_loader.add_css("fav_nums", ".bookmark-btn::text")

item_loader.add_css("tags", "p.entry-meta-hide-on-mobile a::text")

item_loader.add_css("content", "div.entry")

article_item=item_loader.load_item()yield article_item

获取一个页面的全部url

我们当然可以用xpath得到，但是还不够精简。我们可以使用   linkExtractor  类来得到。非常的简单。

from scrapy.linkextractors importLinkExtractor#需要搞一个对象实例，然后写一个符合的规则，利用extract_links方法传一个response过去就能得到这个页面匹配的url

link = linkExtractor=LinkExtractor(allow=r'http://lab.scrapyd.cn')#link = linkExtractor=LinkExtractor()#allow=r'http://lab.scrapyd.cn/archives/\d+.html'

links =link.extract_links(response)iflinks:for link_one inlinks:print(link_one)

日志的使用

Scrapy提供了log功能，可以通过 logging 模块使用。

可以修改配置文件settings.py，任意位置添加下面两行，效果会清爽很多。

LOG_FILE = "TencentSpider.log"LOG_LEVEL= "INFO"

Log levels

Scrapy提供5层logging级别:

CRITICAL-严重错误(critical)

ERROR-一般错误(regular errors)

WARNING-警告信息(warning messages)

INFO-一般信息(informational messages)

DEBUG- 调试信息(debugging messages)

logging设置

通过在setting.py中进行以下设置可以被用来配置logging:

LOG_ENABLED 默认: True，启用logging

LOG_ENCODING 默认:'utf-8'，logging使用的编码

LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名

LOG_LEVEL 默认:'DEBUG'，log的最低级别

LOG_STDOUT 默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行print "hello" ，其将会在Scrapy log中显示。

保存到mongdb数据库

importpymongofrom scrapy.conf importsettingsclassDoubanPipeline(object):def __init__(self):

host= settings["MONGODB_HOST"]

port= settings["MONGODB_PORT"]

dbname= settings["MONGODB_DBNAME"]

sheetname= settings["MONGODB_SHEETNAME"]#创建MONGODB数据库链接

client = pymongo.MongoClient(host = host, port =port)#指定数据库

mydb =client[dbname]#存放数据的数据库表名

self.sheet =mydb[sheetname]defprocess_item(self, item, spider):

data=dict(item)

self.sheet.insert(data)return item

setting文件

#MONGODB 主机名

MONGODB_HOST = "127.0.0.1"

#MONGODB 端口号

MONGODB_PORT = 27017

#数据库名称

MONGODB_DBNAME = "Douban"

#存放数据的表名称

MONGODB_SHEETNAME = "doubanmovies"

下载中间件，随机更换user-Agent和ip

importrandomimportbase64from settings importUSER_AGENTSfrom settings importPROXIES#随机的User-Agent

classRandomUserAgent(object):defprocess_request(self, request, spider):

useragent=random.choice(USER_AGENTS)#print useragent

request.headers.setdefault("User-Agent", useragent)classRandomProxy(object):defprocess_request(self, request, spider):

proxy=random.choice(PROXIES)if proxy['user_passwd'] isNone:#没有代理账户验证的代理使用方式

request.meta['proxy'] = "http://" + proxy['ip_port']else:#对账户密码进行base64编码转换

base64_userpasswd = base64.b64encode(proxy['user_passwd'])#对应到代理服务器的信令格式里

request.headers['Proxy-Authorization'] = 'Basic' +base64_userpasswd

request.meta['proxy'] = "http://" + proxy['ip_port']

setting文件

USER_AGENTS =['Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)','Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)','Opera/9.27 (Windows NT 5.2; U; zh-cn)','Opera/8.0 (Macintosh; PPC Mac OS X; U; en)','Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0','Mozilla/5.0 (Linux; U; Android 4.0.3; zh-cn; M032 Build/IML74K) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30','Mozilla/5.0 (Windows; U; Windows NT 5.2) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.2.149.27 Safari/525.13']

PROXIES=[

{"ip_port" :"121.42.140.113:16816", "user_passwd" : "mr_mao_hacker:sffqry9r"},#{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""}

#{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""}

#{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""}

]

登陆的三种方法

1，直接找到登陆接口，提供账号密码进行登陆，也是最简单的。

2，有时候需要从登录页找到隐藏的值，然后提交到后台，比如知乎就需要在登录页得到_xsrf，

3，最麻烦的一种，对方各种加密验证，我们可以采用cookie进行登陆。

分别写三个代码参考下：

1.简单

#-*- coding: utf-8 -*-

importscrapy#只要是需要提供post数据的，就可以用这种方法，#下面示例：post数据是账户密码

classRenren1Spider(scrapy.Spider):

name= "renren1"allowed_domains= ["renren.com"]defstart_requests(self):

url= 'http://www.renren.com/PLogin.do'

yieldscrapy.FormRequest(

url=url,

formdata= {"email" : "mr_mao_hacker@163.com", "password" : "alarmchime"},

callback=self.parse_page)defparse_page(self, response):

with open("mao2.html", "w") as filename:

filename.write(response.body)

View Code

2.中等

#-*- coding: utf-8 -*-

importscrapy#正统模拟登录方法：#首先发送登录页面的get请求，获取到页面里的登录必须的参数，比如说zhihu的 _xsrf#然后和账户密码一起post到服务器，登录成功

classRenren2Spider(scrapy.Spider):

name= "renren2"allowed_domains= ["renren.com"]

start_urls=("http://www.renren.com/PLogin.do",

)defparse(self, response):#_xsrf = response.xpath("//_xsrf").extract()[0]

yieldscrapy.FormRequest.from_response(

response,

formdata= {"email" : "mr_mao_hacker@163.com", "password" : "alarmchime"},#, "_xsrf" = _xsrf},

callback =self.parse_page

)defparse_page(self, response):print "=========1===" +response.url#with open("mao.html", "w") as filename:

#filename.write(response.body)

url = "http://www.renren.com/422167102/profile"

yield scrapy.Request(url, callback =self.parse_newpage)defparse_newpage(self, response):print "===========2====" +response.url

with open("xiao.html", "w") as filename:

filename.write(response.body)

View Code

3.困难

#-*- coding: utf-8 -*-

importscrapy#实在没办法了，可以用这种方法模拟登录，麻烦一点，成功率100%

classRenrenSpider(scrapy.Spider):

name= "renren"allowed_domains= ["renren.com"]

start_urls=('http://www.renren.com/xxxxx','http://www.renren.com/11111','http://www.renren.com/xx',

)

cookies={"anonymid" : "ixrna3fysufnwv","_r01_" : "1","ap" : "327550029","JSESSIONID" : "abciwg61A_RvtaRS3GjOv","depovince" : "GW","springskin" : "set","jebe_key" : "f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1486198628950","jebe_key" : "f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1486198619601","ver" : "7.0","XNESSESSIONID" : "e703b11f8809","jebecookies" : "98c7c881-779f-4da8-a57c-7464175cd469|||||","ick_login" : "4b4a254a-9f25-4d4a-b686-a41fda73e173","_de" : "BF09EE3A28DED52E6B65F6A4705D973F1383380866D39FF5","p" : "ea5541736f993365a23d04c0946c10e29","first_login_flag" : "1","ln_uact" : "mr_mao_hacker@163.com","ln_hurl" : "http://hdn.xnimg.cn/photos/hdn521/20140529/1055/h_main_9A3Z_e0c300019f6a195a.jpg","t" : "691808127750a83d33704a565d8340ae9","societyguester" : "691808127750a83d33704a565d8340ae9","id" : "327550029","xnsid" : "f42b25cf","loginfrom" : "syshome"}defstart_requests(self):for url inself.start_urls:#yield scrapy.Request(url, callback = self.parse)

#url = "http://www.renren.com/410043129/profile"

yield scrapy.FormRequest(url, cookies = self.cookies, callback =self.parse_page)defparse_page(self, response):print "===========" +response.url

with open("deng.html", "w") as filename:

filename.write(response.body)

View Code