python爬虫系列开发scrapy掌握（一）

什么是scrapy

Scrapy是一种用于抓取网站和提取结构化数据的应用程序框架，可用于广泛的有用应用程序，如数据挖掘，信息处理或历史存档。
尽管Scrapy最初是为网络抓取而设计的，但它也可以用于使用API（例如Amazon Associates Web Services）或作为通用网络爬虫来提取数据。

Hello world

对于我们程序员来说，最好的入门就是hello world了，下面我们来写一个hello world 的实例
首先把下面的代码写入一个文档中，并保存为 helloworld.py

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/tag/humor/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').extract_first(),
                'author': quote.xpath('span/small/text()').extract_first(),
            }

        next_page = response.css('li.next a::attr("href")').extract_first()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

然后打开命令行输入运行指令

scrapy runspider helloworld.py -o helloworld.json

运行完成之后，把helloworld.json中的数据复制粘贴到在线json格式工具中，然后如下所示：

[{
    "author": "Jane Austen",
    "text": "\u201cThe person, be it gentleman or lady, who has not pleasure in a good novel, must be intolerably stupid.\u201d"
},
{
    "author": "Groucho Marx",
    "text": "\u201cOutside of a dog, a book is man's best friend. Inside of a dog it's too dark to read.\u201d"
},
{
    "author": "Steve Martin",
    "text": "\u201cA day without sunshine is like, you know, night.\u201d"
},
...]

解析代码

当你运行该命令时，Scrapy在其中查找Spider定义并通过其爬虫引擎运行它。
scrapy runspider quotes_spider.py
通过向start_urls 属性中定义的URL发出请求开始爬行，并调用默认回调方法parse，将响应对象作为参数传递。在parse回调中，我们使用CSS Selector循环遍历quote元素，使用提取的引用文本和作者生成Python dict，查找下一页的链接并使用与parse回调相同的方法调用另一个请求。

在这里，您会注意到Scrapy的一个主要优点：请求是异步调度处理的。这意味着Scrapy不需要等待请求完成和处理，它可以在此期间发送另一个请求或执行其他操作。这也意味着即使某些请求失败或在处理过程中发生错误，其他请求也可以继续运行。

这使您能够进行非常快速的爬网（以容错方式同时发送多个并发请求），但Scrapy还可以通过一些设置控制爬网的优雅性。您可以执行以下操作：在每个请求之间设置下载延迟，限制每个域或每个IP的并发请求数量，甚至使用自动限制扩展来尝试自动计算这些请求。

您已经了解了如何使用Scrapy从网站中提取和存储项目，但这只是表面。Scrapy提供了许多强大的功能，可以轻松高效地进行抓取，例如：

内置支持使用扩展的CSS选择器和XPath表达式从HTML / XML源中选择和提取数据，并使用正则表达式提取辅助方法。
一个交互式shell控制台（支持IPython），用于尝试使用CSS和XPath表达式来抓取数据，在编写或调试蜘蛛时非常有用。
内置支持以多种格式（JSON，CSV，XML）生成Feed导出并将其存储在多个后端（FTP，S3，本地文件系统）中
强大的编码支持和自动检测，用于处理外部，非标准和损坏的编码声明。
强大的可扩展性支持，允许您使用信号和定义良好的API（中间件，扩展和管道）插入您自己的功能。
广泛的内置扩展和中间件用于处理：
cookie和会话处理
HTTP功能，如压缩，身份验证，缓存
用户代理欺骗
的robots.txt
爬行深度限制

一个Telnet控制台，用于连接到Scrapy进程内部运行的Python控制台，以内省和调试您的爬虫
还有其他好东西，比如可重复使用的蜘蛛，可以从Sitemaps和XML / CSV Feed中抓取网站，自动下载与抓取项目相关联的图像（或任何其他媒体）的媒体管道，缓存DNS解析器等等！
更多内容请关注左侧公众号