摘要：解析的方法，每個初始完成下載后將被調(diào)用，調(diào)用的時候傳入從每一個傳回的對象來作為唯一參數(shù)，主要作用如下負(fù)責(zé)解析返回的網(wǎng)頁數(shù)據(jù)，提取結(jié)構(gòu)化數(shù)據(jù)生成生成需要下一頁的請求。

Scrapy是用純Python實(shí)現(xiàn)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，用途非常廣泛。

框架的力量，用戶只需要定制開發(fā)幾個模塊就可以輕松的實(shí)現(xiàn)一個爬蟲，用來抓取網(wǎng)頁內(nèi)容以及各種圖片，非常之方便。

Scrapy 使用了 Twisted"tw?st?d異步網(wǎng)絡(luò)框架來處理網(wǎng)絡(luò)通訊，可以加快我們的下載速度，不用自己去實(shí)現(xiàn)異步框架，并且包含了各種中間件接口，可以靈活的完成各種需求。

Scrapy Engine(引擎): 負(fù)責(zé)Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數(shù)據(jù)傳遞等。

Scheduler(調(diào)度器): 它負(fù)責(zé)接受引擎發(fā)送過來的Request請求，并按照一定的方式進(jìn)行整理排列，入隊(duì)，當(dāng)引擎需要時，交還給引擎。

Downloader（下載器）：負(fù)責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

Spider（爬蟲）：它負(fù)責(zé)處理所有Responses,從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進(jìn)的URL提交給引擎，再次進(jìn)入Scheduler(調(diào)度器)，

Item Pipeline(管道)：它負(fù)責(zé)處理Spider中獲取到的Item，并進(jìn)行進(jìn)行后期處理（詳細(xì)分析、過濾、存儲等）的地方.

Downloader Middlewares（下載中間件）：你可以當(dāng)作是一個可以自定義擴(kuò)展下載功能的組件。

Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴(kuò)展和操作引擎和Spider中間通信的功能組件（比如進(jìn)入Spider的Responses;和從Spider出去的Requests）

代碼寫好，程序開始運(yùn)行...

1 引擎：Hi！Spider, 你要處理哪一個網(wǎng)站？

2 Spider：老大要我處理xxxx.com。

3 引擎：你把第一個需要處理的URL給我吧。

4 Spider：給你，第一個URL是xxxxxxx.com。

5 引擎：Hi！調(diào)度器，我這有request請求你幫我排序入隊(duì)一下。

6 調(diào)度器：好的，正在處理你等一下。

7 引擎：Hi！調(diào)度器，把你處理好的request請求給我。

8 調(diào)度器：給你，這是我處理好的request

9 引擎：Hi！下載器，你按照老大的下載中間件的設(shè)置幫我下載一下這個request請求

10 下載器：好的！給你，這是下載好的東西。（如果失?。簊orry，這個request下載失敗了。然后引擎告訴調(diào)度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）

11 引擎：Hi！Spider，這是下載好的東西，并且已經(jīng)按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認(rèn)是交給def parse()這個函數(shù)處理的）

12 Spider：（處理完畢數(shù)據(jù)之后對于需要跟進(jìn)的URL），Hi！引擎，我這里有兩個結(jié)果，這個是我需要跟進(jìn)的URL，還有這個是我獲取到的Item數(shù)據(jù)。

13 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調(diào)度器！這是需要跟進(jìn)URL你幫我處理下。然后從第四步開始循環(huán)，直到獲取完老大需要全部信息。

14 管道``調(diào)度器：好的，現(xiàn)在就做！

注意！只有當(dāng)調(diào)度器中不存在任何request了，整個程序才會停止，（也就是說，對于下載失敗的URL，Scrapy也會重新下載。）

新建項(xiàng)目 (scrapy startproject xxx)：新建一個新的爬蟲項(xiàng)目

明確目標(biāo) （編寫items.py）：明確你想要抓取的目標(biāo)

制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網(wǎng)頁

存儲內(nèi)容 （pipelines.py）：設(shè)計(jì)管道存儲爬取內(nèi)容

Scrapy框架官方網(wǎng)址：http://doc.scrapy.org/en/latest

Scrapy中文維護(hù)站點(diǎn)：http://scrapy-chs.readthedocs...

Python 2 / 3
升級pip版本：pip install --upgrade pip
通過pip 安裝 Scrapy 框架pip install Scrapy

Python 2 / 3
安裝非Python的依賴 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通過pip 安裝 Scrapy 框架 sudo pip install scrapy
安裝后，只要在命令終端輸入 scrapy，提示類似以下結(jié)果，代表已經(jīng)安裝成功

具體Scrapy安裝流程參考：http://doc.scrapy.org/en/late... 里面有各個平臺的安裝方法

創(chuàng)建一個Scrapy項(xiàng)目

定義提取的結(jié)構(gòu)化數(shù)據(jù)(Item)

編寫爬取網(wǎng)站的 Spider 并提取出結(jié)構(gòu)化數(shù)據(jù)(Item)

編寫 Item Pipelines 來存儲提取到的Item(即結(jié)構(gòu)化數(shù)據(jù))

在開始爬取之前，必須創(chuàng)建一個新的Scrapy項(xiàng)目。進(jìn)入自定義的項(xiàng)目目錄中，運(yùn)行下列命令：

scrapy startproject mySpider

其中， mySpider 為項(xiàng)目名稱，可以看到將會創(chuàng)建一個 mySpider 文件夾，目錄結(jié)構(gòu)大致如下：

下面來簡單介紹一下各個主要文件的作用：

scrapy.cfg ：項(xiàng)目的配置文件

mySpider/ ：項(xiàng)目的Python模塊，將會從這里引用代碼

mySpider/items.py ：項(xiàng)目的目標(biāo)文件

mySpider/pipelines.py ：項(xiàng)目的管道文件

mySpider/settings.py ：項(xiàng)目的設(shè)置文件

mySpider/spiders/ ：存儲爬蟲代碼目錄

我們打算抓?。篽ttp://www.itcast.cn/channel/... 網(wǎng)站里的所有講師的姓名、職稱和個人信息。

打開mySpider目錄下的items.py

Item 定義結(jié)構(gòu)化數(shù)據(jù)字段，用來保存爬取到的數(shù)據(jù)，有點(diǎn)像Python中的dict，但是提供了一些額外的保護(hù)減少錯誤。

可以通過創(chuàng)建一個 scrapy.Item 類， 并且定義類型為
scrapy.Field的類屬性來定義一個Item（可以理解成類似于ORM的映射關(guān)系）。

接下來，創(chuàng)建一個ItcastItem 類，和構(gòu)建item模型（model）。

import scrapy

class ItcastItem(scrapy.Item):

   name = scrapy.Field()
   level = scrapy.Field()
   info = scrapy.Field()

爬蟲功能要分兩步：

1. 爬數(shù)據(jù)

在當(dāng)前目錄下輸入命令，將在mySpider/spider目錄下創(chuàng)建一個名為itcast的爬蟲，并指定爬取域的范圍：
scrapy genspider itcast "itcast.cn"
打開 mySpider/spider目錄里的 itcast.py，默認(rèn)增加了下列代碼:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        "http://www.itcast.cn/",
    )

    def parse(self, response):
        pass

其實(shí)也可以由我們自行創(chuàng)建itcast.py并編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩

要建立一個Spider， 你必須用scrapy.Spider類創(chuàng)建一個子類，并確定了三個強(qiáng)制的屬性 和 一個方法。

name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

allow_domains = [] 是搜索的域名范圍，也就是爬蟲的約束區(qū)域，規(guī)定爬蟲只爬取這個域名下的網(wǎng)頁，不存在的URL會被忽略。

start_urls = () ：爬取的URL元祖/列表。爬蟲從這里開始抓取數(shù)據(jù)，所以，第一次下載的數(shù)據(jù)將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

parse(self, response) ：解析的方法，每個初始URL完成下載后將被調(diào)用，調(diào)用的時候傳入從每一個URL傳回的Response對象來作為唯一參數(shù)，主要作用如下：

負(fù)責(zé)解析返回的網(wǎng)頁數(shù)據(jù)(response.body)，提取結(jié)構(gòu)化數(shù)據(jù)(生成item)
生成需要下一頁的URL請求。
將start_urls的值修改為需要爬取的第一個url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response):
    filename = "teacher.html"
    open(filename, "w").write(response.body)

然后運(yùn)行一下看看，在mySpider目錄下執(zhí)行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲名。

運(yùn)行之后，如果打印的日志出現(xiàn) [scrapy] INFO: Spider closed (finished)，代表執(zhí)行完成。 之后當(dāng)前文件夾中就出現(xiàn)了一個 teacher.html 文件，里面就是我們剛剛要爬取的網(wǎng)頁的全部源代碼信息。

**注意，Python2.x默認(rèn)編碼環(huán)境是ASCII，當(dāng)和取回的數(shù)據(jù)編碼格式不一致時，可能會造成亂碼；
我們可以指定保存內(nèi)容的編碼格式，一般情況下，我們可以在代碼最上方添加：**

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

這三行代碼是Python2.x里解決中文編碼的萬能鑰匙，經(jīng)過這么多年的吐槽后Python3學(xué)乖了，默認(rèn)編碼是Unicode了...(祝大家早日擁抱Python3)
2. 取數(shù)據(jù)

爬取整個網(wǎng)頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：

    
  xxx  
    
 xxxxx 
    
 xxxxxxxx 

是不是一目了然？直接上XPath開始提取數(shù)據(jù)吧。

我們之前在mySpider/items.py 里定義了一個ItcastItem類。 這里引入進(jìn)來

  from mySpider.items import ItcastItem

然后將我們得到的數(shù)據(jù)封裝到一個 ItcastItem 對象中，可以保存每個老師的屬性：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老師信息的集合
    items = []

    for each in response.xpath("http://div[@class="li_txt"]"):
        # 將我們得到的數(shù)據(jù)封裝到一個 `ItcastItem` 對象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一個元素的列表
        item["name"] = name[0]
        item["title"] = title[0]
        item["info"] = info[0]

        items.append(item)

    # 直接返回最后數(shù)據(jù)
    return items
我們暫時先不處理管道，后面會詳細(xì)介紹。
保存數(shù)據(jù)

scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，，命令如下：

json格式，默認(rèn)為Unicode編碼

scrapy crawl itcast -o teachers.json

json lines格式，默認(rèn)為Unicode編碼

scrapy crawl itcast -o teachers.jsonl

csv 逗號表達(dá)式，可用Excel打開

scrapy crawl itcast -o teachers.csv

xml格式

scrapy crawl itcast -o teachers.xml

思考

如果將代碼改成下面形式，結(jié)果完全一樣。

請思考 yield 在這里的作用：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老師信息的集合
    #items = []

    for each in response.xpath("http://div[@class="li_txt"]"):
        # 將我們得到的數(shù)據(jù)封裝到一個 `ItcastItem` 對象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一個元素的列表
        item["name"] = name[0]
        item["title"] = title[0]
        item["info"] = info[0]

        #items.append(item)

        #將獲取的數(shù)據(jù)交給pipelines
        yield item

    # 返回?cái)?shù)據(jù)，不經(jīng)過pipeline
    #return items

思考過后 下面給出
Python中yield的解釋