Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取

引擎把URL封装成一个请求(Request)传给下载器

下载器把资源下载下来，并封装成应答包(Response)

爬虫解析Response

解析出实体（Item）,则交给实体管道进行进一步的处理

解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

因为python3并不能完全支持Scrapy，因此为了完美运行Scrapy，我们使用python2.7来编写和运行Scrapy。

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

其它可能依赖的安装包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi百度下载即可

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）

items.py 设置数据存储模板，用于结构化数据，如：Django的Model

pipelines 数据处理行为，如：一般结构化的数据持久化

settings.py 配置文件，如：递归的层数、并发数，延迟下载等

spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

1.爬虫文件需要定义一个类，并继承scrapy.spiders.Spider

2.必须定义name，即爬虫名，如果没有name，会报错。因为源码中是这样定义的：

3.编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；

4.定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html。源码截图：

4、运行

进入p1目录，运行命令：

格式：scrapy crawl+爬虫名 –nolog即不显示日志

示例代码：

def parse ( self , response ) :

# 分析页面

# 找到页面中符合规则的内容（校花图片），保存

# 找到所有的a标签，再访问其他a标签，一层一层的搞下去

hxs = HtmlXPathSelector ( response ) #创建查询对象

# 如果url是 http://www.xiaohuar.com/list-1-\d+.html

if re . match ( ‘http://www.xiaohuar.com/list-1-\d+.html’ , response . url ) : #如果url能够匹配到需要爬取的url，即本站url

items = hxs . select ( ‘//div[@class=”item_list infinite_scroll”]/div’ ) #select中填写查询目标，按scrapy查询语法书写

for i in range ( len ( items ) ) :

src = hxs . select ( ‘//div[@class=”item_list infinite_scroll”]/div[%d]//div[@class=”img”]/a/img/@src’ % i ) . extract ( ) #查询所有img标签的src属性，即获取校花图片地址

name = hxs . select ( ‘//div[@class=”item_list infinite_scroll”]/div[%d]//div[@class=”img”]/span/text()’ % i ) . extract ( ) #获取span的文本内容，即校花姓名

school = hxs . select ( ‘//div[@class=”item_list infinite_scroll”]/div[%d]//div[@class=”img”]/div[@class=”btns”]/a/text()’ % i ) . extract ( ) #校花学校

if src :

ab_src = “http://www.xiaohuar.com” + src [ 0 ] #相对路径拼接

file_name = “%s_%s.jpg” % ( school [ 0 ] . encode ( ‘utf-8’ ) , name [ 0 ] . encode ( ‘utf-8’ ) ) #文件名，因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8

file_path = os . path . join ( “/Users/wupeiqi/PycharmProjects/beauty/pic” , file_name )

urllib . urlretrieve ( ab_src , file_path )

注：urllib.urlretrieve(ab_src, file_path) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。

5.递归爬取网页

上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？

示例代码：

即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

6.scrapy查询语法中的正则：

from scrapy . selector import Selector

from scrapy . http import HtmlResponse

html = “” “

” “”

response = HtmlResponse ( url = ‘http://example.com’ , body = html , encoding = ‘utf-8’ )

ret = Selector ( response = response ) . xpath ( ‘//li[re:test(@class, “item-\d*”)]//@href’ ) . extract ( )

print ( ret )

语法规则：Selector(response=response查询对象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract()，即根据re正则匹配，test即匹配，属性名是class，匹配的正则表达式是”item-d*”，然后获取该标签的href属性。

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

import hashlib

from tutorial . items import JinLuoSiItem

from scrapy . http import Request

from scrapy . selector import HtmlXPathSelector

class JinLuoSiSpider ( scrapy . spiders . Spider ) :

count = 0

url_set = set ( )

name = “jluosi”

domain = ‘http://www.jluosi.com’

allowed_domains = [ “jluosi.com” ]

start_urls = [

“http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==” ,

]

def parse ( self , response ) :

md5_obj = hashlib . md5 ( )

md5_obj . update ( response . url )

md5_url = md5_obj . hexdigest ( )

if md5_url in JinLuoSiSpider . url_set :

pass

else :

JinLuoSiSpider . url_set . add ( md5_url )

hxs = HtmlXPathSelector ( response )

if response . url . startswith ( ‘http://www.jluosi.com:80/ec/goodsDetail.action’ ) :

item = JinLuoSiItem ( )

item [ ‘company’ ] = hxs . select ( ‘//div[@class=”ShopAddress”]/ul/li[1]/text()’ ) . extract ( )

item [ ‘link’ ] = hxs . select ( ‘//div[@class=”ShopAddress”]/ul/li[2]/text()’ ) . extract ( )

item [ ‘qq’ ] = hxs . select ( ‘//div[@class=”ShopAddress”]//a/@href’ ) . re ( ‘.*uin=(?P\d*)&’)

item [ ‘address’ ] = hxs . select ( ‘//div[@class=”ShopAddress”]/ul/li[4]/text()’ ) . extract ( )

item [ ‘title’ ] = hxs . select ( ‘//h1[@class=”goodsDetail_goodsName”]/text()’ ) . extract ( )

item [ ‘unit’ ] = hxs . select ( ‘//table[@class=”R_WebDetail_content_tab”]//tr[1]//td[3]/text()’ ) . extract ( )

product_list = [ ]

product_tr = hxs . select ( ‘//table[@class=”R_WebDetail_content_tab”]//tr’ )

for i in range ( 2 , len ( product_tr ) ) :

temp = {

‘standard’ : hxs . select ( ‘//table[@class=”R_WebDetail_content_tab”]//tr[%d]//td[2]/text()’ % i ). extract ( ) [ 0 ] . strip ( ) ,

‘price’ : hxs . select ( ‘//table[@class=”R_WebDetail_content_tab”]//tr[%d]//td[3]/text()’ % i ) . extract ( ) [ 0 ] . strip ( ) ,

}

product_list . append ( temp )

item [ ‘product_list’ ] = product_list

yield item

current_page_urls = hxs . select ( ‘//a/@href’ ) . extract ( )

for i in range ( len ( current_page_urls ) ) :

url = current_page_urls [ i ]

if url . startswith ( ‘http://www.jluosi.com’ ) :

url_ab = url

yield Request ( url_ab , callback = self . parse )

选择器规则 Demo

选择器规则 Demo

选择器规则Demo

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

import hashlib

from beauty . items import JieYiCaiItem

from scrapy . http import Request

from scrapy . selector import HtmlXPathSelector

from scrapy . spiders import CrawlSpider , Rule

from scrapy . linkextractors import LinkExtractor

class JieYiCaiSpider ( scrapy . spiders . Spider ) :

count = 0

url_set = set ( )

name = “jieyicai”

domain = ‘http://www.jieyicai.com’

allowed_domains = [ “jieyicai.com” ]

start_urls = [

“http://www.jieyicai.com” ,

]

rules = [

#下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)

#Rule(SgmlLinkExtractor(allow=(r’http://test_url/test?page_index=\d+’))),

#下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)

#Rule(LinkExtractor(allow=(r’http://www.jieyicai.com/Product/Detail.aspx?pid=\d+’)), callback=”parse”),

]

def parse ( self , response ) :

md5_obj = hashlib . md5 ( )

md5_obj . update ( response . url )

md5_url = md5_obj . hexdigest ( )

if md5_url in JieYiCaiSpider . url_set :

pass

else :

JieYiCaiSpider . url_set . add ( md5_url )

hxs = HtmlXPathSelector ( response )

if response . url . startswith ( ‘http://www.jieyicai.com/Product/Detail.aspx’ ) :

item = JieYiCaiItem ( )

item [ ‘company’ ] = hxs . select ( ‘//span[@class=”username g-fs-14″]/text()’ ) . extract ( )

item [ ‘qq’ ] = hxs . select ( ‘//span[@class=”g-left bor1qq”]/a/@href’ ) . re ( ‘.*uin=(?P\d*)&’ )

item [ ‘info’ ] = hxs . select ( ‘//div[@class=”padd20 bor1 comard”]/text()’ ) . extract ( )

item [ ‘more’ ] = hxs . select ( ‘//li[@class=”style4″]/a/@href’ ) . extract ( )

item [ ‘title’ ] = hxs . select ( ‘//div[@class=”g-left prodetail-text”]/h2/text()’ ) . extract ( )

yield item

current_page_urls = hxs . select ( ‘//a/@href’ ) . extract ( )

for i in range ( len ( current_page_urls ) ) :

url = current_page_urls [ i ]

if url . startswith ( ‘/’ ) :

url_ab = JieYiCaiSpider . domain + url

yield Request ( url_ab , callback = self . parse )

spider

spider

spider

上述代码中：对url进行md5加密的目的是避免url过长，也方便保存在缓存或数据库中。

此处代码的关键在于：

将获取的数据封装在了Item对象中

yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

# -*- coding: utf-8 -*-

# Define your item pipelines here

#

# Don’t forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json

from twisted . enterprise import adbapi

import MySQLdb . cursors

import re

mobile_re = re . compile ( r ‘(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}’ )

phone_re = re . compile ( r ‘(\d+-\d+|\d+)’ )

class JsonPipeline ( object ) :

def __init__ ( self ) :

self . file = open ( ‘/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json’ , ‘wb’ )

def process_item ( self , item , spider ) :

line = “%s %s\n” % ( item [ ‘company’ ] [ 0 ] . encode ( ‘utf-8’ ) , item [ ‘title’ ] [ 0 ] . encode ( ‘utf-8’ ) )

self . file . write ( line )

return item

class DBPipeline ( object ) :

def __init__ ( self ) :

self . db_pool = adbapi . ConnectionPool ( ‘MySQLdb’ ,

db = ‘DbCenter’ ,

user = ‘root’ ,

passwd = ‘123’ ,

cursorclass = MySQLdb . cursors . DictCursor ,

use_unicode = True )

def process_item ( self , item , spider ) :

query = self . db_pool . runInteraction ( self . _conditional_insert , item )

query . addErrback ( self . handle_error )

return item

def _conditional_insert ( self , tx , item ) :

tx . execute ( “select nid from company where company = %s” , ( item [ ‘company’ ] [ 0 ] , ) )

result = tx . fetchone ( )

if result :

pass

else :

phone_obj = phone_re . search ( item [ ‘info’ ] [ 0 ] . strip ( ) )

phone = phone_obj . group ( ) if phone_obj else ‘ ‘

mobile_obj = mobile_re . search ( item [ ‘info’ ] [ 1 ] . strip ( ) )

mobile = mobile_obj . group ( ) if mobile_obj else ‘ ‘

values = (

item [ ‘company’ ] [ 0 ] ,

item [ ‘qq’ ] [ 0 ] ,

phone ,

mobile ,

item [ ‘info’ ] [ 2 ] . strip ( ) ,

item [ ‘more’ ] [ 0 ] )

tx . execute ( “insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)” , values )

def handle_error ( self , e ) :

print ‘error’ , e

pipelines

pipelines

上述代码中多个类的目的是，可以同时保存在文件和数据库中，保存的优先级可以在配置文件settings中定义。

ITEM_PIPELINES = {

‘beauty.pipelines.DBPipeline’ : 300 ,

‘beauty.pipelines.JsonPipeline’ : 100 ,

}

# 每行后面的整型值，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。

进群：125240963  即可获取十套PDF书籍哦！