Python之scrapy框架

pip install scrapy

building 'twisted.test.raiser' 
extension error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual‐cpp‐build‐tools

http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

下载twisted对应版本的whl文件（如我的Twisted‐17.5.0‐cp36‐cp36m‐win_amd64.whl），cp后面是 python版本，amd64代表64位，运行命令： 
pip install C:\Users\...\Twisted‐17.5.0‐cp36‐cp36m‐win_amd64.whl 
pip install Scrapy

python ‐m pip install ‐‐upgrade pip

pip install pypiwin32

安装后，打开anaconda 
点击environments 
点击not installed 
输入scrapy 
apply 
在pycharm中选择anaconda的环境

终端输入：scrapy startproject 项目名称

2.项目组成：
spiders 
	__init__.py 
	自定义的爬虫文件.py 	‐‐‐》由我们自己创建，是实现爬虫核心功能的文件 
__init__.py 
items.py				 ‐‐‐》定义数据结构的地方，是一个继承自scrapy.Item的类 
middlewares.py 			 ‐‐‐》中间件 代理 
pipelines.py 			 ‐‐‐》管道文件，里面只有一个类，用于处理下载数据的后续处理 默认是300优先级，								值越小优先级越高（1‐1000） 
settings.py    			 ‐‐‐》配置文件 比如：是否遵守robots协议，User‐Agent定义等

3.创建爬虫文件：
（1）跳转到spiders文件夹 	cd 目录名字/目录名字/spiders 
（2）scrapy genspider 爬虫名字 网页的域名

爬虫文件的基本组成：

继承scrapy.Spider类 
	name = 'baidu' ‐‐‐》 运行爬虫文件时使用的名字 
	allowed_domains ‐‐‐》 爬虫允许的域名，在爬取的时候，如果不是此域名之下的 url，会被过滤掉 		  	  start_urls ‐‐‐》 声明了爬虫的起始地址，可以写多个url，一般是一个 
	parse(self, response) ‐‐‐》解析数据的回调函数 
		response.text ‐‐‐》响应的是字符串 
		response.body ‐‐‐》响应的是二进制文件 
		response.xpath()‐》xpath方法的返回值类型是selector列表 
		extract() ‐‐‐》提取的是selector对象的是data 
		extract_first() ‐‐‐》提取的是selector列表中的第一个数据

运行爬虫文件：
	scrapy crawl 爬虫名称 
	注意：应在spiders文件夹内执行

import scrapy
from dangdang.items import DangdangItem

class DangSpider(scrapy.Spider):
    name = 'dang'
    allowed_domains = ['category.dangdang.com']
    start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']

    base_url = 'http://category.dangdang.com/pg'
    page = 1

    def parse(self, response):
        #       pipelines 下载数据
        #       items     定义数据结构的
        #         src = //ul[@id="component_59"]/li//img/@src
        #         alt = //ul[@id="component_59"]/li//img/@alt
        #         price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()
        #         所有的seletor的对象 都可以再次调用xpath方法

        li_list = response.xpath('//ul[@id="component_59"]/li')

        for li in li_list:
            src = li.xpath('.//img/@data-original').extract_first()
            # 第一张图片和其他的图片的标签的属性是不一样的
            # 第一张图片的src是可以使用的  其他的图片的地址是data-original
            if src:
                src = src
            else:
                src = li.xpath('.//img/@src').extract_first()

            name = li.xpath('.//img/@alt').extract_first()
            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()

            book = DangdangItem(src=src, name=name, price=price)

            # 获取一个book就将book交给pipelines
            yield book

            if self.page < 100:
                self.page = self.page + 1

                url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'

                #             怎么去调用parse方法
                #             scrapy.Request就是scrpay的get请求
                #             url就是请求地址
                #             callback是你要执行的那个函数  注意不需要加（）
                yield scrapy.Request(url=url, callback=self.parse)

import scrapy


class DangdangItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 通俗的说就是你要下载的数据都有什么

    # 图片
    src = scrapy.Field()
    # 名字
    name = scrapy.Field()
    # 价格
    price = scrapy.Field()

# 如果想使用管道的话 那么就必须在settings中开启管道
class DangdangPipeline:

    # 在爬虫文件开始的之前就执行的一个方法
    def open_spider(self, spider):
        self.fp = open('book.json', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        # 以下这种模式不推荐  因为每传递过来一个对象 那么就打开一次文件  对文件的操作过于频繁

        # # (1) write方法必须要写一个字符串 而不能是其他的对象
        # # (2) w模式 会每一个对象都打开一次文件 覆盖之前的内容
        # with open('book.json','a',encoding='utf-8')as fp:
        #     fp.write(str(item))

        self.fp.write(str(item))

        return item

    # 在爬虫文件执行完之后  执行的方法
    def close_spider(self, spider):
        self.fp.close()


import urllib.request


# 多条管道开启
#    (1) 定义管道类
#   （2） 在settings中开启管道
# 'scrapy_dangdang_095.pipelines.DangDangDownloadPipeline':301
class DangDangDownloadPipeline:
    def process_item(self, item, spider):
        url = 'http:' + item.get('src')
        filename = './books/' + item.get('name') + '.jpg'

        urllib.request.urlretrieve(url=url, filename=filename)

        return item

ITEM_PIPELINES = {
   'dangdang.pipelines.DangdangPipeline': 300,
   'dangdang.pipelines.DangDangDownloadPipeline': 301
}
ROBOTSTXT_OBEY = True # 看网站是否需要关闭(注释)