一、Scrapy简介
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
组件
Scrapy Engine
引擎负责控制数据流。
调度器(Scheduler)
调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。
下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。
Spiders
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
Item Pipeline
Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库中)。
下载器中间件(Downloader middlewares)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
二、Scrapy环境配置
安装以下程序
- 2.7
- Python Package: and . 现在 依赖 ，如果未安装，则会自动安装 。
- . 大多数Linux发行版自带了lxml。如果缺失，请查看http://lxml.de/installation.html
- . 除了Windows(请查看 )之外的系统都已经提供。
pip install pyopenssl
- Visual C++2008
- 安装PyWin32
- pip install scrapy
创建工程模板
命令行执行：scrapy startproject 工程名
创建好的工程结构如下图：
Idea中配置scrapy启动
二、常用API说明
开发中主要涉及spider，item，Pipeline,settings模块的开发。需要扩展插件则开发extions模块。
Spider类
继承scrapy.Spider类
属性
name : 爬虫名字，用于区别spider，唯一。
start_urls : Spider在启动时进行爬取的url列表。后续的URL则从初始的URL获取到的数据中提取。方法
parse(self, response) ：每个初始url爬取到的数据将通过response参数传递过来。此方法负责解析数据（response）， 提取数据（生成Item），生成需要进一步处理的URL请求（request）。scrapy.Request(url=link, errback=self.errback_http, callback=self.parse_article)
框架会对url=link的地址发起请求，如果请求出现错误执行用户自定义的errback_http方法，如果请求成功则执行用户自定义的parse_article方法。
Item类
需要继承scrapy.Item。Item是一个dict()，用于存储spider中parse()中解析到的数据，在pipeline中调用。
import scrapyclass DmozItem(scrapy.Item): title = scrapy.Field() link = scrapy.Field() desc = scrapy.Field()
Scrapy Selector基于xpath和css提取元素。
- : 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表 。
- : 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表.
- : 序列化该节点为unicode字符串并返回list。
- : 根据传入的正则表达式对数据进行提取，返回unicode字符串list列表。
运行爬虫
在项目目录下运行以下命令，即可执行爬虫： scrapy crawl NAME（爬虫名字）配置文件Settings
Settings文件可以可以控制包括核心(core)，插件(extension)，pipeline及spider组件。这里只说3.settings模块。
- 命令行选项(Command line Options)(最高优先级)
- 每个spider的设定
- 项目设定模块(Project settings module)
- 命令默认设定模块(Default settings per-command)
- 全局默认设定(Default global settings) (最低优先级)
访问settings
如果需要使用该配置文件中定义的属性，类（爬虫，管道，插件）需要增加额外的类方法： from_crawler(cls, crawler)。
设定可以通过Crawler的 属性进行访问。其由插件及中间件的from_crawler 方法所传入:
class MyExtension(object): @classmethod def from_crawler(cls, crawler): settings = crawler.settings if settings['LOG_ENABLED']: print "log is enabled!"
也可以通过字典访问，避免错误，建议使用setting API中的规范key值。
管道开发
管道类似过滤处理链，根据自定义业务依次处理Spider解析后的数据，例如数据验证（去重、转换），计算存储(DB,NOSQL），发送消息（Kafka，MQ），报表生成。
开发自定义管道类需要两步骤：- 在pipelines中定义类并实现 process_item(self, item, spider) 方法， 其中item对象为spider解析后待处理的数据。
- 在settings中开启管道配置信息，ITEM_PIPELINES 中配置自定义管道类名和执行序列。
说明
自定义管道根据序列号从小到大依次执行请求，如果抛出DropItem异常，后续管道将不会执行，例如数据出现重复主键，可以抛出DropItem异常。日志开发
使用以下代码在管道中定义日志名称
logger = logging.getLogger('pipelogger') 同时可以在包初始化文件__init__.py中定义日志级别 ： LOG_LEVEL = 'INFO' 日志启用也可以在settings中设置如下属性
LOG_ENABLED = True #启用日志 LOG_ENCODING = 'utf-8' #设置日志字符集 LOG_FILE = 'e://workspace/log/csdncrawl.log' #指定日志文件及路径 LOG_LEVEL = 'INFO' #定义日志级别 LOG_STDOUT = True #是否将print语句打印内容输出到日志扩展插件
开发者可自定义运行在不同阶段的插件，例如打开爬虫、关闭爬虫、数据抓取等。
插件只需要关注：在什么时候做什么事情，即 状态-方法。 开发插件只需要2步：- 开发插件类，可定义在extensions.py文件中，在from_crawler中增加状态-方法的映射关系，例如在打开爬虫的时候执行spider_opened方法可这样配置：
crawler.signals.connect(ext.spider_opened, signal=signals.spider_opened)
- 在settings中配置插件类，和管道定义类似， 其KEY为EXTENSIONS
四、代码示例
Spider示例
import scrapyclass DmozSpider(scrapy.Spider): name = "dmoz" allowed_domains = ["dmoz.org"] start_urls = [ "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/", "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/" ] def parse(self, response): for sel in response.xpath('//ul/li'): title = sel.xpath('a/text()').extract() link = sel.xpath('a/@href').extract() desc = sel.xpath('text()').extract() print title, link, desc
日志Logging
import logginglogger = logging.getLogger('mycustomlogger')logger.warning("This is a warning")import loggingimport scrapylogger = logging.getLogger('mycustomlogger')class MySpider(scrapy.Spider): name = 'myspider' start_urls = ['http://scrapinghub.com'] def parse(self, response): logger.info('Parse function called on %s', response.url) 参考资料：
中文版scrapy资料地址：