一、Scrapy介绍
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架，我们只需要实现少量的代码，就能够快速的抓取。
这是因为 Scrapy 使用了 Twisted['twɪstɪd]异步网络框架，可以加快我们的下载速度。
- 异步：调用在发出之后，这个调用就直接返回，不管有无结果
- 非阻塞：关注的是程序在等待调用结果（消息，返回值）时的状态，指在不能立刻得到结果之前，该调用不会阻塞当前线程。
二、Scrapy的安装介绍
Scrapy框架官方网址：http://doc.scrapy.org/en/latest
Scrapy中文维护站点：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
（1） Windows 安装方式
- Python 2 / 3
- 升级pip版本：
pip install --upgrade pip - 通过pip 安装 Scrapy 框架
pip install Scrapy
（2） Ubuntu 需要9.10或以上版本安装方式
- Python 2 / 3
- 安装非Python的依赖
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev - 通过pip 安装 Scrapy 框架
sudo pip install scrapy
安装后，只要在命令终端输入 scrapy，提示类似以下结果，代表已经安装成功
具体Scrapy安装流程参考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes 里面有各个平台的安装方法
三、操作案例
学习目标： 创建一个Scrapy项目定义提取的结构化数据(Item)编写爬取网站的 Spider 并提取出结构化数据(Item)编写 Item Pipelines 来存储提取到的Item(即结构化数据)
（1） 新建项目(scrapy startproject)
- 在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：
scrapy startproject mySpider- 其中， mySpider 为项目名称，可以看到将会创建一个 mySpider 文件夹，目录结构大致如下：
.
└── mySpider
├── mySpide
│ ├── __init__.py
│ ├── items.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ └── __init__.py
└── scrapy.cfg下面来简单介绍一下各个主要文件的作用：
- scrapy.cfg ：项目的配置文件
- mySpider/ ：项目的Python模块，将会从这里引用代码
1.mySpider/items.py ：项目的目标文件
2.mySpider/pipelines.py ：项目的管道文件
3.mySpider/settings.py ：项目的设置文件
4.mySpider/spiders/ ：存储爬虫代码目录
（2） 明确目标(mySpider/items.py)
我们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。
- 打开mySpider目录下的items.py
- Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。
- 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item。
- 接下来，创建一个ItcastItem 类，和构建item模型（model）。
import scrapy
class ItcastItem(scrapy.Item):
name = scrapy.Field()
level = scrapy.Field()
info = scrapy.Field()（3） 制作爬虫
爬虫功能要分三步：
- 爬数据
scrapy genspider itcast "itcast.cn”- 提取数据
完善spider，使用xpath等方法- 保存数据
pipeline中保存数据
1. 爬数据
- A . 在当前目录下输入命令，将在
mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：
scrapy genspider itcast "itcast.cn"
- B. 打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:
import scrapy
class ItcastSpider(scrapy.Spider):
name = "itcast"
allowed_domains = ["itcast.cn"]
start_urls = (
'http://www.itcast.cn/',
)
def parse(self, response):
pass其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦：
要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。
name = ""：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。爬虫启动使用 spider crawl [名字] 。allow_domains = []是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。start_urls = ()：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。parse(self, response)：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
- 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
- 生成需要下一页的URL请求。
# 将start_urls的值修改为需要爬取的第一个url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
# 修改parse()方法
def parse(self, response):
with open("teacher.html", "w") as f:
f.write(response.text)然后运行一下看看，在mySpider目录下执行：
scrapy crawl itcast是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用 scrapy genspider命令的爬虫名。
一个Scrapy爬虫项目里，可以存在多个爬虫。各个爬虫在执行时，就是按照 name 属性来区分。
运行之后，如果打印的日志出现 [scrapy] INFO: Spider closed (finished)，代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。
2. 取数据
- 爬取整个网页完毕，接下来的就是取的过程了，首先观察页面源码：
<div class="li_txt">
<h3> xxx </h3>
<h4> xxxxx </h4>
<p> xxxxxxxx </p>是不是一目了然？直接上XPath开始提取数据吧。
- 我们之前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来
from mySpider.items import ItcastItem- 然后将我们得到的数据封装到一个
ItcastItem对象中，可以保存每个老师的属性，并使用管道，将spider的数据传到pipeline：
from mySpider.items import ItcastItem
def parse(self, response):
#open("teacher.html","wb").write(response.body).close()
# 存放老师信息的集合
items = []
for each in response.xpath("//div[@class='li_txt']"):
# 将我们得到的数据封装到一个 `ItcastItem` 对象
item = ItcastItem()
#extract()方法返回的都是字符串
name = each.xpath("h3/text()").extract_first()
title = each.xpath("h4/text()").extract_first()
info = each.xpath("p/text()").extract_first()
#items.append(item)
#将获取的数据交给pipelines
yield item
# 返回数据，不经过pipeline
#return items为什么要使用yield？让整个函数变成一个生成器，变成generator（生成器）的好处是每次遍历的时候挨个读到内存中，不会导致内存的占用量瞬间变高。（python3中的range和python2中的xrange同理）
3. 保存数据
A. 如不使用pipeline，scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，命令如下：
# json格式，默认为Unicode编码
scrapy crawl itcast -o teachers.json
# json lines格式，默认为Unicode编码
scrapy crawl itcast -o teachers.jsonl
# csv 逗号表达式，可用Excel打开
scrapy crawl itcast -o teachers.csv
# xml格式
scrapy crawl itcast -o teachers.xml
B. 如使用pipeline，要将所有(从所有'spider'中)爬取到的item，存储到一个独立地items.json 文件，每行包含一个序列化为'JSON'格式的'item'：
（1）打开 pipelines.py 文件，写入下面代码：
# pipelines.py
import json
class ItcastJsonPipeline(object):
def __init__(self):
self.file = open('teacher.json', 'wb')
def process_item(self, item, spider):
content = json.dumps(dict(item), ensure_ascii=False) + "\n"
self.file.write(content)
return item
def close_spider(self, spider):
self.file.close()（2）启用一个Item Pipeline组件：
为了启用Item Pipeline组件，必须将它的类添加到 settings.py文件ITEM_PIPELINES 配置，就像下面这个例子：
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
#'mySpider.pipelines.SomePipeline': 300,
"mySpider.pipelines.ItcastJsonPipeline":300
}分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）
转眼间 [Python爬虫] 专题已写至第十章，或多或少已经开始明白Python爬虫的基本原理和运用方法，从阶段性学习来看，这一专题的内容就到此结束了，接下来的学习是更为深入的框架学习。比如这里只是简单的对 Scrapy 框架做一个简略概述。如果你对 Scrapy 框架感兴趣，接下来将是新的开始，加油！
