[[191183]]

這是Scrapy爬蟲框架的***篇，本系列專題將包含以下內(nèi)容：

1. 介紹Scrapy框架的主體以及各個組件的意義;
2. 舉實(shí)例講解其具體應(yīng)用。

開始***節(jié)： 介紹Scrapy框架的主體以及各個組件的意義。

Scrapy是一個為了爬取網(wǎng)站數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。 可以應(yīng)用在包括數(shù)據(jù)挖掘，信息處理或存儲歷史數(shù)據(jù)等一系列的程序中。

其最初是為了 頁面抓取 (更確切來說, 網(wǎng)絡(luò)抓取 )所設(shè)計(jì)的， 也可以應(yīng)用在獲取API所返回的數(shù)據(jù)(例如 Amazon Associates Web Services ) 或者通用的網(wǎng)絡(luò)爬蟲。

安裝Scrapy需要一些依賴：

1. Python
2. Python Package: pip and setuptools. 現(xiàn)在 pip 依賴 setuptools ，如果未安裝，則會自動安裝setuptools 。
3. lxml. 大多數(shù)Linux發(fā)行版自帶了lxml。如果缺失，請查看 Installing lxml
4. OpenSSL. 除了Windows(請查看 平臺安裝指南)之外的系統(tǒng)都已經(jīng)提供。

當(dāng)安裝好這些依賴之后，只需要運(yùn)行pip install Scrapy，即可安裝完Scrapy。

然后運(yùn)行：

scrapy startproject tutorial 

即可自動創(chuàng)建官方標(biāo)準(zhǔn)的代碼目錄。

tutorial/ 
    scrapy.cfg 
    tutorial/ 
        __init__.py 
        items.py 
        pipelines.py 
        settings.py 
        spiders/ 
            __init__.py 
            ...  

其中：

• tutorial/: 該項(xiàng)目的python總模塊。
• tutorial/items.py: 項(xiàng)目中的item文件，編寫爬取的字段名稱等;
• tutorial/pipelines.py: 項(xiàng)目中的pipelines文件;
• tutorial/settings.py: 項(xiàng)目的設(shè)置文件，較為重要;
• tutorial/spiders/: 放置spider代碼的主目錄;

Scrapy整體架構(gòu)神圖：

Scrapy中的數(shù)據(jù)流由執(zhí)行引擎控制，其過程如下:

1. 引擎打開一個網(wǎng)站(open a domain)，找到處理該網(wǎng)站的Spider并向該spider請求***個要爬取的URL(s)。
2. 引擎從Spider中獲取到***個要爬取的URL并在調(diào)度器(Scheduler)以Request調(diào)度。
3. 引擎向調(diào)度器請求下一個要爬取的URL。
4. 調(diào)度器返回下一個要爬取的URL給引擎，引擎將URL通過下載中間件(請求(request)方向)轉(zhuǎn)發(fā)給下載器(Downloader)。
5. 一旦頁面下載完畢，下載器生成一個該頁面的Response，并將其通過下載中間件(返回(response)方向)發(fā)送給引擎。
6. 引擎從下載器中接收到Response并通過Spider中間件(輸入方向)發(fā)送給Spider處理。
7. Spider處理Response并返回爬取到的Item及(跟進(jìn)的)新的Request給引擎。
8. 引擎將(Spider返回的)爬取到的Item給Item Pipeline，將(Spider返回的)Request給調(diào)度器。
9. (從第二步)重復(fù)直到調(diào)度器中沒有更多地request，引擎關(guān)閉該網(wǎng)站。

以上是老生常談，下面談一些經(jīng)驗(yàn)：

1. 如果需要大批量分布式爬取，建議采用Redis數(shù)據(jù)庫存儲，可安裝scrapy-redis，使用redis數(shù)據(jù)庫來替換scrapy原本使用的隊(duì)列結(jié)構(gòu)(deque)，并配合其它數(shù)據(jù)庫存儲，例如MySQL或者M(jìn)ongoDB，爬取效率將會極大提高。并且其自帶的dupefilter.py負(fù)責(zé)執(zhí)行requst的去重，使用redis的set數(shù)據(jù)結(jié)構(gòu)，通過settings文件正確設(shè)置后，即便停止scrapy爬蟲，當(dāng)下次重新開始后也能自動去重。原因就是在redis已經(jīng)存儲了request的信息。
2. 當(dāng)涉及到代理IP，Headers頭中間請求信息處理的時候，可以通過中間件Middleware來實(shí)現(xiàn)。Spider中間件是介入到Scrapy的spider處理機(jī)制的鉤子框架，可以添加代碼來處理發(fā)送給 Spiders的response及spider產(chǎn)生的item和request。
3. 合理設(shè)置settings文件，需要熟練掌握 settings 的各種設(shè)置。
4. 可以重新定義def start_requests(self)函數(shù)來加載cookie信息，form信息的提交用scrapy.FormRequest以及scrapy.FormRequest.from_response這兩個函數(shù)，scrapy.FormRequest.from_response能實(shí)現(xiàn)自動提交form數(shù)據(jù)。
5. 采用Scrapy+phantomJS，。 downloadMiddleware 對從 scheduler 送來的 Request 對象在請求之前進(jìn)行預(yù)處理，可以實(shí)現(xiàn)添加 headers， user_agent，還有 cookie 等功能 。但也可以通過中間件直接返回 HtmlResponse 對象，略過請求的模塊，直接扔給 response 的回調(diào)函數(shù)處理。

class CustomMetaMiddleware(object): 
    def process_request(self,request,spider): 
        dcap = dict(DesiredCapabilities.PHANTOMJS)      
        dcap["phantomjs.page.settings.loadImages"] = False   
        dcap["phantomjs.page.settings.resourceTimeout"] = 10 
        driver = webdriver.PhantomJS("D:xx\xx",desired_capabilities=dcap) 
        driver.get(request.url) 
        body = driver.page_source.encode('utf8') 
        url = driver.current_url 
        driver.quit() 
        return HtmlResponse(request.url,body=body)  

綜上，是對Scrapy的各個組件一些個人的經(jīng)驗(yàn)總結(jié)。