學python，怎麼能不學習scrapy呢！

摘要：本文講述如何編寫scrapy爬蟲。

本文分享自華為雲社區《學python，怎麼能不學習scrapy呢，這篇博客帶你學會它》，作者： 夢想橡皮擦 。

在正式編寫爬蟲案例前，先對 scrapy 進行一下系統的學習。

scrapy 安裝與簡單運行

使用命令 pip install scrapy 進行安裝，成功之後，還需要隨手收藏幾個網址，以便於後續學習使用。

• scrapy 官網：https://scrapy.org；
• scrapy 文檔：https://doc.scrapy.org/en/latest/intro/tutorial.html；
• scrapy 更新日志：https://docs.scrapy.org/en/latest/news.html。

安裝完畢之後，在控制台直接輸入 scrapy，出現如下命令表示安裝成功。

> scrapy
Scrapy 2.5.0 - no active project
Usage:
scrapy <command> [options] [args]
Available commands:

上述截圖是 scrapy 的內置命令列表，標准的格式的 scrapy <command> <options> <args>，通過 scrapy <command> -h 可以查看指定命令的幫助手冊。

scrapy 中提供兩種類型的命令，一種是全局的，一種的項目中的，後者需要進入到 scrapy 目錄才可運行。

這些命令無需一開始就完全記住，隨時可查，有幾個比較常用，例如：

**scrpy startproject <項目名> **

該命令先依據 項目名 創建一個文件夾，然後再文件夾下創建於個 scrpy 項目，這一步是後續所有代碼的起點。

> scrapy startproject my_scrapy
> New Scrapy project 'my_scrapy', using template directory 'e:\pythonproject\venv\lib\site-packages\scrapy\templates\project', created in: # 一個新的 scrapy 項目被創建了，使用的模板是 XXX，創建的位置是 XXX
E:\pythonProject\滾雪球學Python第4輪\my_scrapy
You can start your first spider with: # 開啟你的第一個爬蟲程序
cd my_scrapy # 進入文件夾
scrapy genspider example example.com # 使用項目命令創建爬蟲文件

上述內容增加了一些注釋，可以比對著進行學習，默認生成的文件在 python 運行時目錄，如果想修改項目目錄，請使用如下格式命令：

scrapy startproject myproject [project_dir]

例如

scrapy startproject myproject d:/d1

命令依據模板創建出來的項目結構如下所示，其中紅色下劃線的是項目目錄，而綠色下劃線才是 scrapy 項目，如果想要運行項目命令，則必須先進入紅色下劃線 my_scrapy 文件夾，在項目目錄中才能控制項目。

下面生成一個爬蟲文件

使用命令 scrapy genspider [-t template] <name> <domain> 生成爬蟲文件，該方式是一種快捷操作，也可以完全手動創建。創建的爬蟲文件會出現在 當前目錄或者項目文件夾中的 spiders 文件夾中，name 是爬蟲名字，domain 用在爬蟲文件中的 alowed_domains 和 start_urls 數據中，[-t template] 表示可以選擇生成文件模板。

查看所有模板使用如下命令，默認模板是 basic。

> scrapy genspider -l
basic
crawl
csvfeed
xmlfeed

創建第一個 scrapy 爬蟲文件，測試命令如下：

>scrapy genspider pm imspm.com
Created spider 'pm' using template 'basic' in module:
my_project.spiders.pm

此時在 spiders 文件夾中，出現 pm.py 文件，該文件內容如下所示：

import scrapy
class PmSpider(scrapy.Spider):
name = 'pm'
allowed_domains = ['imspm.com']
start_urls = ['http://imspm.com/']
def parse(self, response):
pass

測試 scrapy 爬蟲運行

使用命令 scrapy crawl <spider>，spider 是上文生成的爬蟲文件名，出現如下內容，表示爬蟲正確加載。

>scrapy crawl pm
2021-10-02 21:34:34 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: my_project)
[...]

scrapy 基本應用

scrapy 工作流程非常簡單：

1. 采集第一頁網頁源碼；
2. 解析第一頁源碼，並獲取下一頁鏈接；
3. 請求下一頁網頁源碼；
4. 解析源碼，並獲取下一頁源碼；
5. […]
6. 過程當中，提取到目標數據之後，就進行保存。

接下來為大家演示 scrapy 一個完整的案例應用，作為 爬蟲 120 例 scrapy 部分的第一例。

> scrapy startproject my_project 爬蟲
> cd 爬蟲
> scrapy genspider pm imspm.com

獲得項目結構如下：

上圖中一些文件的簡單說明。

• scrapy.cfg：配置文件路徑與部署配置；
• items.py：目標數據的結構；
• middlewares.py：中間件文件；
• pipelines.py：管道文件；
• settings.py：配置信息。

使用 scrapy crawl pm 運行爬蟲之後，所有輸出內容與說明如下所示：

上述代碼請求次數為 7 次，原因是在 pm.py 文件中默認沒有添加 www，如果增加該內容之後，請求次數變為 4。

現在的 pm.py 文件代碼如下所示：

import scrapy
class PmSpider(scrapy.Spider):
name = 'pm'
allowed_domains = ['www.imspm.com']
start_urls = ['http://www.imspm.com/']
def parse(self, response):
print(response.text)

其中的 parse 表示請求 start_urls 中的地址，獲取響應之後的回調函數，直接通過參數 response 的 .text 屬性進行網頁源碼的輸出。

獲取到源碼之後，要對源碼進行解析與存儲

在存儲之前，需要手動定義一個數據結構，該內容在 items.py 文件實現，對代碼中的類名進行了修改，MyProjectItem → ArticleItem。

import scrapy
class ArticleItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field() # 文章標題
url = scrapy.Field() # 文章地址
author = scrapy.Field() # 作者

修改 pm.py 文件中的 parse 函數，增加網頁解析相關操作，該操作類似 pyquery 知識點，直接觀察代碼即可掌握。

 def parse(self, response):
# print(response.text)
list_item = response.css('.list-item-default')
# print(list_item)
for item in list_item:
title = item.css('.title::text').extract_first() # 直接獲取文本
url = item.css('.a_block::attr(href)').extract_first() # 獲取屬性值
author = item.css('.author::text').extract_first() # 直接獲取文本
print(title, url, author)

其中 response.css 方法返回的是一個選擇器列表，可以迭代該列表，然後對其中的對象調用 css 方法。

• item.css('.title::text')，獲取標簽內文本；
• item.css('.a_block::attr(href)')，獲取標簽屬性值；
• extract_first()：解析列表第一項；
• extract()：獲取列表。

在 pm.py 中導入 items.py 中的 ArticleItem 類，然後按照下述代碼進行修改：

 def parse(self, response):
# print(response.text)
list_item = response.css('.list-item-default')
# print(list_item)
for i in list_item:
item = ArticleItem()
title = i.css('.title::text').extract_first() # 直接獲取文本
url = i.css('.a_block::attr(href)').extract_first() # 獲取屬性值
author = i.css('.author::text').extract_first() # 直接獲取文本
# print(title, url, author)
# 對 item 進行賦值
item['title'] = title
item['url'] = url
item['author'] = author
yield item

此時在運行 scrapy 爬蟲，就會出現如下提示信息。

此時完成了一個單頁爬蟲

接下來對 parse 函數再次改造，使其在解析完第 1 頁之後，可以解析第 2 頁數據。

 def parse(self, response):
# print(response.text)
list_item = response.css('.list-item-default')
# print(list_item)
for i in list_item:
item = ArticleItem()
title = i.css('.title::text').extract_first() # 直接獲取文本
url = i.css('.a_block::attr(href)').extract_first() # 獲取屬性值
author = i.css('.author::text').extract_first() # 直接獲取文本
# print(title, url, author)
# 對 item 進行賦值
item['title'] = title
item['url'] = url
item['author'] = author
yield item
next = response.css('.nav a:nth-last-child(2)::attr(href)').extract_first() # 獲取下一頁鏈接
# print(next)
# 再次生成一個請求
yield scrapy.Request(url=next, callback=self.parse)

上述代碼中，變量 next 表示下一頁地址，通過 response.css 函數獲取鏈接，其中的 css 選擇器請重點學習。
yield scrapy.Request(url=next, callback=self.parse) 表示再次創建一個請求，並且該請求的回調函數是 parse 本身，代碼運行效果如下所示。

如果想要保存運行結果，運行下面的命令即可。

scrapy crawl pm -o pm.json

如果想要將每條數據存儲為單獨一行，使用如下命令即可 scrapy crawl pm -o pm.jl 。

生成的文件還支持 csv 、 xml、marchal、pickle ，可自行嘗試。

下面將數據管道利用起來

打開 pipelines.py 文件，修改類名 MyProjectPipeline → TitlePipeline，然後編入如下代碼：

class TitlePipeline:
def process_item(self, item, spider): # 移除標題中的空格
if item["title"]:
item["title"] = item["title"].strip()
return item
else:
return DropItem("異常數據")

該代碼用於移除標題中的左右空格。

編寫完畢，需要在 settings.py 文件中開啟 ITEM_PIPELINES 配置。

ITEM_PIPELINES = {
'my_project.pipelines.TitlePipeline': 300,
}

300 是 PIPELINES 運行的優先級順序，根據需要修改即可。再次運行爬蟲代碼，會發現標題的左右空格已經被移除。

到此 scrapy 的一個基本爬蟲已經編寫完畢。

點擊關注，第一時間了解華為雲新鮮技術~