本篇介紹scrapy的命令行工具、重要組件和重要對象。

scrapy 命令行工具

• help：幫助信息（scrapy --help）
• version：版本信息，可以添加-v查看scrapy各個組件的信息（scrapy version -v）
• startproject：新建一個工程（scrapy startproject example）
• genspider：產生一個spider（scrapy genspider example example.com）
• list：查看本工程中包含的spiders
• view：在瀏覽器中打開網頁，這個網頁就是scrapy處理的網頁（scrapy view http://example.com）
• parse：解析一個URL（使用對應的spider），打印結果
• shell：可交互的scrapy爬取控制臺
• runspider：運行一個自包含的爬蟲，即沒有創建工程
• bench：基準測試

scrapy的重要組件

Spider

基本介紹

Spider是一個類，它定義了怎樣爬取一個網站，包括怎樣跟蹤鏈接、怎樣提取數據。

執行流程：

• 根據start_urls產生初始Requests
• 解析responce
• 使用selector
• 存儲items

zaobao Spider

這里寫圖片描述

基類介紹(scrapy.Spider)

• 屬性
• name：spider的名稱，同一工程中唯一
• allowed_domains：允許的域名
• start_urls：初始urls
• custom_settings：個性化設置，覆蓋全局設置（settings.py）
• crawler：抓取器，spider將綁定到它上面
• settings：配置實例，包含工程中所有的配置變量
• logger：日志實例
• 方法
• from_crawler(crawler, *args, **kwargs)：類方法，用于創建spiders
• start_requests()：生成初始的requests
• make_requests_from_url(url)：根據url生成一個request
• parse(response)：解析網頁內容
• log(message[, level, component])：兼容老版本
• self.logger.info("log內容")
• closed(reason)：當spider關閉的時候調用的方法

子類介紹

CrawlerSpider

• 最常用的spider，用于抓取普通網頁
• 和基類比較增加了兩個成員
• rules：定義了一些抓取規則（鏈接怎么跟蹤、使用哪一個parse函數解析此鏈接）
• parse_start_url(response)：解析初始url產生的response

示例

這里寫圖片描述

XMLFeedSpider

CSVFeedSpider

SitemapSpider

Selector

scrapy默認使用Selector作為網頁解析工具

實例化

這里寫圖片描述

常用方法

1. xpath
2. css
3. re
4. extract
5. extract_first

Item

示例

import scrapy


class Product(scrapy.Item):
    name = scrapy.Field()
    price = scrapy.Field()
    stock = scrapy.Field()

Item Pipeline

作用

1. 清洗HTML數據
2. 驗證抓取到的數據（檢查是否有數據）
3. 檢查是否重復（然后丟棄重復數據）
4. 存儲數據到數據庫中

示例

from scrapy.exceptions import DropItem


class PricePipeline(object):
    vat_factor = 1.15

    def process_item(self, item, spider):
        if item['price']:
            if item['price_excludes_vat']:
                item['price'] = item['price'] * self.vat_factor
                return item
        else:
            raise DropItem("Missing price in %s" % item)

激活pipeline

在settings.py里面設置

ITEM_PIPELINES = {
    'myproject.pipelines.PricePipeline': 300
}

優先級0-1000，越小越優先

Feed exports

存儲抓取到的數據

• json
• json lines
• csv
• xml

scrapy的重要對象

Request

• scrapy.http.Request的初始化參數
• url：必須
• callback
• method=‘GET’
• headers
• body
• cookies
• meta
• encoding='utf-8'
• priority=0
• don't_filter=False
• errback
• 其它屬性
• url
• method
• headers
• body
• cookies
• meta
• copy()
• replace()

示例

這里寫圖片描述

• 子類
  FormRequest實現登陸功能

class scrapy.http.FormRequest(url[, formdata...])

示例

這里寫圖片描述

Response

1. scrapy.http.Response的初始化參數

• url：必須參數
• status=200
• headers
• body
• flags

2. 其他成員

• url
• status
• headers
• body
• resquest
• meta
• flags
• copy()
• replace()
• urljoin(url)

3. 子類

• scrapy.http.TextResponse(它有兩個子類)
• scrapy.http.HtmlResponse
• scrapy.http.XmlResponse