爬虫进阶：Scrapy 入门

进阶前言

  学Py和写爬虫都有很长一段时间了，虽然工作方面主要还是做Java开发，但事实上用python写东西真的很爽。之前都是用Requests+BeautifulSoup这样的第三方库爬一些简单的网站，好处简单上手快，坏处也明显，单线程速度慢，偶尔想要跑快点还得自己写多线程或者多进程。其实早已久仰Scrpay大名，无奈一直没有主动去接触，前不久买了一本相关的书籍，看完之后便陆陆续续试手了几个实战项目(后续介绍)，现在应该算是半梦半醒迈入半个大门了。其实Java也有好几个不错的爬虫框架，那为什么不选择Java？呵呵，人生苦短，用Python没错，何况它现在这么火。

  大多数学习是没有捷径的，如果你也想学Scrapy，根据个人经验，可以先买一两本相关书籍翻翻，然后写写小项目，接着再继续往深入学习，网上有很多不错的关于Scrapy的电子书，文末会推荐一波自己瞎逛已收藏的，可以根据自己的实际情况进行帅选和甄别。

目录结构

  万事开头难，安装好Scrapy环境后输入命令scrapy startproject start，这样就创建好了第一个scrapy项目，目录结构如下：

- start
    - start 
        - spiders # 爬虫编写及存放的目录
            - __init__.py
        - __init__.py
        - items.py # 定义爬虫数据结构的类
        - middlewares.py # 定义一些中间件的类，包括代理、请求头这些
        - pipelines.py # 数据流出的管道类，将爬取数据保存入库等
        - settings.py # 配置相关类，包括像日志、middlewares和pipelines等
    - scrapy.cfg # 主要用于将爬虫部署到第三方，一般可不理会

  项目框架已经搭起来了，紧接着示例下如何第一个爬虫，可以自己在spiders目录下手动创建爬虫类，也可以用scrapy提供的快捷命令scrapy genspider {spider-name} {target-website}快速生成指定名称的目标站点爬虫(参考如下)。例如spider-name可以定义为example，target-website指定为example.com。

# -*- coding: utf-8 -*-
import scrapy


class ExampleSpider(scrapy.Spider):
    name = 'example'  # 爬虫名称，运行的时候需指定
    allowed_domains = ['example.com']  # 允许爬取的域名
    start_urls = ['http://example.com/']  # 第一个爬取的目标网址

    def parse(self, response):
        """scrapy爬取完首个目标网页后会回调到这个方法"""

        pass

  更多优秀和详细的Scrapy入门知识应该从书中或者其它学习资源获取，最后再附上Scrapy学习必备的经典架构图：

Scrapy经典架构图

常见命令

  这里记录和列举一些常用的scrapy命令及其作用：

命令	作用	可选参数
scrapy startproject {project-name}	创建scrapy项目
scrapy genspider {spider-name} {target-domain}	创建目标站点指定名称爬虫
scrapy shell {url}	调试抓取的指定网页	-s USER_AGENT='xxx'，加上指定请求头
scrapy crawl {spider-name}	运行指定爬虫	-o output.{json or xml or cvs}，将抓取结果输出为指定格式文件保存; -s {CLOSESPIDER_PAGECOUNT or CLOSESPIDER_ITEMCOUNT}=n，抓取指定数量网页或ITEM后自动停止爬虫
scrapy check {spider-name}	检测爬虫是否存在错误

学习资源

• scrapy-cookbook
• 网络爬虫教程
• Python3网络爬虫开发实战 (PS:有纸质书，在线只能看一部分)

参考链接

scrapy命令行工具
Scrapy Documentation
Scrapy 中文文档
示例代码 - GitHub