本篇介绍scrapy的命令行工具、重要组件和重要对象。

scrapy 命令行工具

• help：帮助信息（scrapy –help）
• version：版本信息，可以添加-v查看scrapy各个组件的信息（scrapy version -v）
• startproject：新建一个工程（scrapy startproject example）
• genspider：产生一个spider（scrapy genspider example example.com）
• list：查看本工程中包含的spiders
• view：在浏览器中打开网页，这个网页就是scrapy处理的网页（scrapy view http://example.com）
• parse：解析一个URL（使用对应的spider），打印结果
• shell：可交互的scrapy爬取控制台
• runspider：运行一个自包含的爬虫，即没有创建工程
• bench：基准测试

scrapy的重要组件

Spider

基本介绍

Spider是一个类，它定义了怎样爬取一个网站，包括怎样跟踪链接、怎样提取数据。

执行流程：

• 根据start_urls产生初始Requests
• 解析responce
• 使用selector
• 存储items

zaobao Spider

这里写图片描述

基类介绍(scrapy.Spider)

• 属性
• name：spider的名称，同一工程中唯一
• allowed_domains：允许的域名
• start_urls：初始urls
• custom_settings：个性化设置，覆盖全局设置（settings.py）
• crawler：抓取器，spider将绑定到它上面
• settings：配置实例，包含工程中所有的配置变量
• logger：日志实例
• 方法
• from_crawler(crawler, *args, **kwargs)：类方法，用于创建spiders
• start_requests()：生成初始的requests
• make_requests_from_url(url)：根据url生成一个request
• parse(response)：解析网页内容
• log(message[, level, component])：兼容老版本
• self.logger.info(“log内容”)
• closed(reason)：当spider关闭的时候调用的方法

子类介绍

CrawlerSpider

• 最常用的spider，用于抓取普通网页
• 和基类比较增加了两个成员
• rules：定义了一些抓取规则（链接怎么跟踪、使用哪一个parse函数解析此链接）
• parse_start_url(response)：解析初始url产生的response

示例

这里写图片描述

XMLFeedSpider

CSVFeedSpider

SitemapSpider

Selector

scrapy默认使用Selector作为网页解析工具

实例化

这里写图片描述

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数据
2. 验证抓取到的数据（检查是否有数据）
3. 检查是否重复（然后丢弃重复数据）
4. 存储数据到数据库中

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里面设置

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

优先级0-1000，越小越优先

Feed exports

存储抓取到的数据

• json
• json lines
• csv
• xml

scrapy的重要对象

Request

• scrapy.http.Request的初始化参数
• url：必须
• callback
• method=‘GET’
• headers
• body
• cookies
• meta
• encoding=’utf-8′
• priority=0
• don’t_filter=False
• errback
• 其它属性
• url
• method
• headers
• body
• cookies
• meta
• copy()
• replace()

示例

这里写图片描述

• 子类
  FormRequest实现登陆功能

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

示例

这里写图片描述

Response

1. scrapy.http.Response的初始化参数

• url：必须参数
• status=200
• headers
• body
• flags

1. 其他成员

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

1. 子类

• scrapy.http.TextResponse(它有两个子类)
• scrapy.http.HtmlResponse
• scrapy.http.XmlResponse