上周学习了BeautifulSoup的基础知识并用它完成了一个网络爬虫（ 使用Beautiful Soup编写一个爬虫 系列随笔汇总），
BeautifulSoup是一个非常流行的Python网络抓取库，它提供了一个基于HTML结构的Python对象。
虽然简单易懂，又能非常好的处理HTML数据，
但是相比Scrapy而言，BeautifulSoup有一个最大的缺点：慢。
Scrapy 是一个开源的 Python 数据抓取框架，速度快，强大，而且使用简单。
来看一个官网主页上的简单并完整的爬虫：
虽然只有10行左右的代码，但是它的确是一个完整的爬虫服务：
- 当执行scrapy runspider xxx.py命令的时候， Scrapy在项目里查找Spider(蜘蛛🕷️)并通过爬虫引擎来执行它。
- 首先从定义在start_urls里的URL开始发起请求，然后通过parse()方法处理响应。response参数就是返回的响应对象。
- 在parse()方法中，通过一个CSS选择器获取想要抓取的数据。
Scrapy所有的请求都是异步的：
- 也就是说Scrapy不需要等一个请求完成才能处理下一条请求，而是同时发起另一条请求。
- 而且，异步请求的另一个好处是当某个请求失败了，其他的请求不会受到影响。
安装(Mac)
pip install scrapy
其他操作系统请参考完整安装指导：
http://doc.scrapy.org/en/latest/intro/install.html
Scrapy中几个需要了解的概念
Spiders
Spider类想要表达的是：如何抓取一个确定了的网站的数据。比如在start_urls里定义的去哪个链接抓取，parse()方法中定义的要抓取什么样的数据。
当一个Spider开始执行的时候，它首先从start_urls()中的第一个链接开始发起请求，然后在callback里处理返回的数据。
Items
Item类提供格式化的数据，可以理解为数据Model类。
Selectors
Scrapy的Selector类基于lxml库，提供HTML或XML转换功能。以response对象作为参数生成的Selector实例即可通过实例对象的xpath()方法获取节点的数据。
编写一个Web爬虫
接下来将上一个Beautiful Soup版的抓取书籍信息的例子（ 使用Beautiful Soup编写一个爬虫 系列随笔汇总）改写成Scrapy版本。
新建项目
scrapy startproject book_project
这行命令会创建一个名为book_project的项目。
编写Item类
即实体类，代码如下：
import scrapy
class BookItem(scrapy.Item):
title = scrapy.Field()
isbn = scrapy.Field()
price = scrapy.Field()
编写Spider类
设置这个Spider的名称，允许爬取的域名和从哪个链接开始：
class BookInfoSpider(scrapy.Spider):
name = "bookinfo"
allowed_domains = ["allitebooks.com", "amazon.com"]
start_urls = [
"http://www.allitebooks.com/security/",
]
遍历分页数据
def parse(self, response):
# response.xpath('//a[contains(@title, "Last Page →")]/@href').re(r'(\d+)')[0]
num_pages = int(response.xpath('//a[contains(@title, "Last Page →")]/text()').extract_first())
base_url = "http://www.allitebooks.com/security/page/{0}/"
for page in range(1, num_pages):
yield scrapy.Request(base_url.format(page), dont_filter=True, callback=self.parse_page)
从allitebooks.com获取书籍信息方法
def parse_page(self, response):
for sel in response.xpath('//div/article'):
book_detail_url = sel.xpath('div/header/h2/a/@href').extract_first()
yield scrapy.Request(book_detail_url, callback=self.parse_book_info)
def parse_book_info(self, response):
title = response.css('.single-title').xpath('text()').extract_first()
isbn = response.xpath('//dd[2]/text()').extract_first()
item = BookItem()
item['title'] = title
item['isbn'] = isbn
amazon_search_url = 'https://www.amazon.com/s/ref=nb_sb_noss?url=search-alias%3Daps&field-keywords=' + isbn
yield scrapy.Request(amazon_search_url, callback=self.parse_price, meta={ 'item': item })
'//a'的意思所有的a标签；
'//a[contains(@title, "Last Page →")' 的意思是在所有的a标签中，title属性包涵"Last Page →"的a标签；
extract() 方法解析并返回符合条件的节点数据。
从amazon.com获取书籍价格方法
def parse_price(self, response):
item = response.meta['item']
item['price'] = response.xpath('//span/text()').re(r'\$[0-9]+\.[0-9]{2}?')[0]
yield item
启动服务
scrapy crawl bookinfo -o books.csv
-o books.csv 参数的意思是将抓取的Item集合输出到csv文件。
除了CSV格式，Scrapy还支持JSON，XML的格式输入。具体请参考：
http://doc.scrapy.org/en/latest/topics/feed-exports.html#topics-feed-exports
结果：
完整代码请移步GitHub：
https://github.com/backslash112/book_scraper_scrapy
我们处于大数据时代，对数据处理感兴趣的朋友欢迎查看另一个系列随笔：
利用Python进行数据分析 基础系列随笔汇总
网友评论