超详细的Scrapy框架的基本使用教程

Scrapy的介绍

scrapy的工作流程（重点！！！）

如下图所示：

爬虫：

负责向引擎提供要爬取网页的URL，引擎会把这个URL封装成request对象并传递给调度器，
把引擎传递过来的response对象进行数据解析。数据解析有两种结果：
1. 解析出具体的数据，那么通过引擎把这个具体的数据传递给管道，然后存入文件、数据库等
2. 解析出一个新的URL，那么过程同作用1

管道：负责把引擎传递过来的数据进行存储，存入文件、数据库等。管道可以有多个，比如MySQL的管道，某个文件的管道，mango的管道等。

调度器：可以把调度器的存储结构看成一个优先队列，不同的request对象可能优先级不一样，按优先级的高低进行调度

把引擎传递过来的request对象放入队列进行排队，调度器可以实现去重的效果，即对两个相同的URL，只存储一个
向引擎提供队头的request对象（即优先级高的request对象），引擎把这个request对象传递给下载器进行请求

下载器：把引擎传递过来的request对象发送给服务器请求数据，并把服务器返回的内容封装成response对象，然后把这个response对象传递给引擎，引擎再把这个response对象传递给爬虫进行数据解析

引擎：从上面的流程中可以看到，引擎负责控制数据流在所有组件流动,并在相应动作时触发事件，相当于爬虫的大脑

注意，在实际的代码编写过程中，我们只需要关注爬虫和管道部分的代码编写，而引擎、调度器、下载器都不需要我们实现

scrapy的安装

在终端输入以下命令（包有点大，建议切换成国内的镜像源，如清华源等，据说安装可能会有很多问题，但是可能我人品比较好，没遇到，嘿嘿。如果有问题的百度一下吧）

pip install scrapy

scrapy的基本使用

以爬取4399游戏网站的游戏名称为例，scrapy有以下几个步骤：

1、创建scrapy项目

首先在某个文件夹下打开终端，输入以下命令创建scrapy项目

scrapy startproject 项目名称

2、创建一个爬虫程序

首先进入项目文件夹下，然后输入命令：

scrapy genspider 爬虫程序的名称要爬取网站的域名

3、编写爬虫程序

在game_4399.py文件中编写爬虫代码，代码如下

import scrapyclass Game4399Spider(scrapy.Spider):name = "game_4399"  # 爬虫程序的名称allowed_domains = ["4399.com"]  # 允许爬取的域名# 默认情况下是：https://4399.com# 但是我们不从首页开始爬取，所以改一下URLstart_urls = ["https://4399.com/flash/"]  # 一开始爬取的URLdef parse(self, response):  # 该方法用于对response对象进行数据解析# print(response)  # <200 http://www.4399.com/flash/># print(response.text)  # 打印页面源代码# response.xpath()  # 通过xpath解析数据# response.css()  # 通过css解析数据# 获取4399小游戏的游戏名称# txt = response.xpath('//ul[@class="n-game cf"]/li/a/b/text()')# txt 列表中的每一项是一个Selector：# <Selector query='//ul[@class="n-game cf"]/li/a/b/text()' data='逃离克莱蒙特城堡'>]# 要通过extract()方法拿到data中的内容# print(txt)# txt = response.xpath('//ul[@class="n-game cf"]/li/a/b/text()').extract()# print(txt)  # 此时列表中的元素才是游戏的名字# 也可以先拿到每个li，然后再提取名字lis = response.xpath('//ul[@class="n-game cf"]/li')for li in lis:# name = li.xpath('./a/b/text()').extract()# # name 是一个列表# print(name)  # ['王城霸业']# 一般我们都会这么写：li.xpath('./a/b/text()').extract()[0]# 但是这样如果列表为空就会报错，所以换另一种写法# extract_first方法取列表中的第一个，如果列表为空，返回Nonename = li.xpath('./a/b/text()').extract_first()print(name)  # 王城霸业category = li.xpath('./em/a/text()').extract_first()  # 游戏类别date = li.xpath('./em/text()').extract_first()  # 日期print(category, date)# 通过yield向管道传输数据dic = {'name': name,'category': category,'date': date}# 可以认为这里是把数据返回给了管道pipeline，# 但是实际上是先给引擎，然后引擎再给管道，只是这个过程不用我们关心，scrapy会自动完成# 这里的数据会在管道程序中接收到yield dic

4、运行scrapy爬虫程序

在终端输入命令，就可以看到爬虫程序运行结果。

scrapy crawl 爬虫程序名称

5、总结scrapy的基本使用

关于第6、7步，在下面的scrapy管道中会说到。

Scrapy中的管道

基本介绍

我们接着看上述4399中创建的scrapy项目，管道的默认情况如下：

管道程序默认是不生效的，需要在settings文件进行配置，如下：

pipelines.py文件中的代码

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html# useful for handling different item types with a single interface
from itemadapter import ItemAdapter# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:def process_item(self, item, spider):"""接收爬虫通过引擎传递过来的数据:param item: 具体的数据内容:param spider: 对应传递数据的爬虫程序:return:"""print(item)  # {'name': '武器升级', 'category': '休闲类', 'date': '2024-01-06'}print(spider)  # <Game4399Spider 'game_4399' at 0x22867dafc70>return item  # 把数据传递给下一个管道

settings文件中关于管道的代码

ITEM_PIPELINES = {# 管道程序的所在路径：优先级# 300 表示管道的优先级，数字越小优先级越高# 优先级高的管道会比优先级低的管道先拿到数据"game.pipelines.GamePipeline": 300,
}

运行命令：scrapy crawl game_4399，运行结果如下（只截取了一部分）：

上述只有一个管道，如果有多个管道，比如我们自定义一个管道，代码如下：

from itemadapter import ItemAdapter# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:def process_item(self, item, spider):"""接收爬虫通过引擎传递过来的数据:param item: 具体的数据内容:param spider: 对应传递数据的爬虫程序:return:"""print(item)  # {'name': '武器升级', 'category': '休闲类', 'date': '2024-01-06'}print(spider)  # <Game4399Spider 'game_4399' at 0x22867dafc70>return item  # 把数据传递给下一个管道# 自定义一个管道程序
# 记得在settings文件中配置，否则不生效
class OtherPipeline:def process_item(self, item, spider):# 比如这里给传递过来的数据添加一个新的字段item['new_field'] = 'hello'return item

settings文件关于管道的代码

ITEM_PIPELINES = {# 管道程序的所在路径：优先级# 300 表示管道的优先级，数字越小优先级越高# 优先级高的管道会比优先级低的管道先拿到数据"game.pipelines.GamePipeline": 300,# 优先级比GamePipeline高，可以通过运行结果看出"game.pipelines.OtherPipeline": 299
}

运行结果如下，可见多了一个字段

scrapy中的数据格式item

在上述的项目中，我们在爬虫程序里解析出来的数据组装成了字典然后使用yield传递给了管道，但是这实际上是不符合scrapy的规范的。在scrapy中，数据用item表示。

还是以上面的4399为例。game_4399.py中的代码如下：

import scrapyfrom game.items import GameItemclass Game4399Spider(scrapy.Spider):name = "game_4399"  # 爬虫程序的名称allowed_domains = ["4399.com"]  # 允许爬取的域名# 默认情况下是：https://4399.com# 但是我们不从首页开始爬取，所以改一下URLstart_urls = ["https://4399.com/flash/"]  # 一开始爬取的URLdef parse(self, response):  # 该方法用于对response对象进行数据解析# 也可以先拿到每个li，然后再提取名字lis = response.xpath('//ul[@class="n-game cf"]/li')for li in lis:name = li.xpath('./a/b/text()').extract_first()category = li.xpath('./em/a/text()').extract_first()  # 游戏类别date = li.xpath('./em/text()').extract_first()  # 日期# 通过yield向管道传输数据# dic = {#     'name': name,#     'category': category,#     'date': date# }# 可以认为这里是把数据返回给了管道pipeline，# 但是实际上是先给引擎，然后引擎再给管道，只是这个过程不用我们关心，scrapy会自动完成# 如果只有一个数据，可以通过return返回，但是在scrapy中没人使用return，都是用yield的# 另外，在scrapy中，只希望yield返回三个类型之一的数据：item、request、None# 这里可以yield dic 返回字典，但是实际上并不希望这么干# 而且如果换成了 yield [] 返回雷暴，就会报错：# ERROR: Spider must return request, item, or None, got 'list'# yield dic# 我们现在不返回字典，而是返回真正推荐我们返回的格式之一：item# 先导入GameItem类：from game.items import GameItem# 然后创建它的实例，使用起来和字典类似# 区别就是GameItem类里没有定义的字段，就不能使用，比如不能item['某个没有定义的字段']item = GameItem()# item['xxx'] 里的xxx要在类GameItem里定义有，否则就会报错item['name'] = nameitem['category'] = categoryitem['date'] = dateyield item

items.py中的代码

import scrapyclass GameItem(scrapy.Item):# 这里定义了三个字段，分别表示游戏的名称、类别和日期name = scrapy.Field()category = scrapy.Field()date = scrapy.Field()# 可以定义其他字段来表示不同的信息
class OtherItem(scrapy.Item):pass

管道程序pipelines.py中的代码

from itemadapter import ItemAdapter# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:def process_item(self, item, spider):"""接收爬虫通过引擎传递过来的数据:param item: 具体的数据内容:param spider: 对应传递数据的爬虫程序:return:"""print(item)  # {'name': '武器升级', 'category': '休闲类', 'date': '2024-01-06'}print(spider)  # <Game4399Spider 'game_4399' at 0x22867dafc70>return item  # 把数据传递给下一个管道# 自定义一个管道程序
# 记得在settings文件中配置，否则不生效
class OtherPipeline:def process_item(self, item, spider):# 比如这里给传递过来的数据添加一个新的字段# 此时传递过来的item不再是字典，而是GameItem类对象# 由于GameItem类里没有定义字段new_field，所以不能使用，否则报错# item['new_field'] = 'hello'return item

数据存储

我们一直说通过管道存储数据，但是上面的例子一直未涉及，现在来讲解怎么把数据进行持久化存储。在上面的例子中，我们已经在管道程序里拿到了引擎传递过来的数据，现在就可以把这些数据存储起来。

首先，先来说一说数据存储的几种方案：

存入.csv文件，这类数据一般用于数据分析
存入MySQL数据库
存入mangodb数据库
写入文件，如图片、视频、文字等数据

下面以存入csv文件为例（存入MySQL的也列举了一个模板，mango数据库的操作和MySQL基本一致，但是由于我对mango不熟悉，所以不写了，需要的可以百度一下）

settings文件中的代码

ITEM_PIPELINES = {# 管道程序的所在路径：优先级# 300 表示管道的优先级，数字越小优先级越高# 优先级高的管道会比优先级低的管道先拿到数据"game.pipelines.GamePipeline": 300,"game.pipelines.GameMySqlPipeline": 300,# 优先级比GamePipeline高，可以通过运行结果看出"game.pipelines.OtherPipeline": 299
}

# 配置MySQL
MYSQL = {"host": "localhost",  # 主机"port": 3306,  # 端口"user": "xxx",  # 用户名"password": "xxx",  # 密码"database": "xxx"  # 数据库名称
}

pipelines.py的代码：

import pymysql
# 导入MySQL配置
from game.settings import MYSQL# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:def __init__(self):self.f = Nonedef open_spider(self, spider):""""""print('爬虫开始了...')self.f = open('./game_data.csv', mode='a', encoding='utf-8')def process_item(self, item, spider):"""接收爬虫通过引擎传递过来的数据:param item: 具体的数据内容:param spider: 对应传递数据的爬虫程序:return:"""print('爬虫进行中...')# 把数据写入文件# 写入模式是mode='a'，表示在文件里追加，不能是w，否则文件原本的内容会被覆盖# 以下的这种方式效率不高，因为每传递一次数据，就要进行一次文件的打开的关闭操作# with open('./game_data.csv', mode='a', encoding='utf-8') as f:#     f.write(f'{item["category"]}, {item["name"]}, {item["date"]}\n')# 采取另一种方式# scrapy 提供了两个方法open_spider()、close_spider()，分别会在爬虫开始时和爬虫结束后调用self.f.write(f'{item["category"]}, {item["name"]}, {item["date"]}\n')return item  # 把数据传递给下一个管道def close_spider(self, spider):print('爬虫结束了...')if self.f:self.f.close()# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GameMySqlPipeline:def __init__(self):self.conn = Nonedef open_spider(self, spider):print('爬虫开始了...')# self.conn = pymysql.connect(  # 创建数据库连接#     host='localhost',  # 主机#     port=3306,  # 端口#     user='xxx',  # 用户名#     password='xxx',  # 密码#     database='xxx'  # 数据库名称# )# 可以向上面那样写，但是更好的办法是写在settings文件中# 然后从settings文件中导入：from game.settings import MYSQLself.conn = pymysql.connect(  # 创建数据库连接host=MYSQL['host'],  # 主机port=MYSQL['port'],  # 端口user=MYSQL['user'],  # 用户名password=MYSQL['password'],  # 密码database=MYSQL['database']  # 数据库名称)def process_item(self, item, spider):"""接收爬虫通过引擎传递过来的数据:param item: 具体的数据内容:param spider: 对应传递数据的爬虫程序:return:"""print('爬虫进行中...')# 把数据写入mysql数据库# 下载数据库包并导入：pip install pymysql# 确定自己的数据库中准备好了相应的数据表try:cursor = self.conn.cursor()# 插入的sql语句# (%s, %s, %s) 对应相应的字段类型，%s表示字符串类型insert_sql = 'insert into 数据库表名 (字段1, 字段2, 字段3, ...) values (%s, %s, %s)'# execute()的第二个参数是一个元祖，里面的每一个元素对应sql语句中的字段值cursor.execute(insert_sql, (item['category'], item['name'], item['date']))self.conn.commit()  # 提交事务except:self.conn.rollback()  # 出现异常，执行回滚操作finally:if cursor:cursor.close()return item  # 把数据传递给下一个管道def close_spider(self, spider):print('爬虫结束了...')if self.conn:self.conn.close()# 自定义一个管道程序
# 记得在settings文件中配置，否则不生效
class OtherPipeline:def process_item(self, item, spider):# 比如这里给传递过来的数据添加一个新的字段# 此时传递过来的item不再是字典，而是GameItem类对象# 由于GameItem类里没有定义字段new_field，所以不能使用，否则报错# item['new_field'] = 'hello'return item