Python编程基础之（五）Scrapy爬虫框架

　　经过前面四章的学习，我们已经可以使用Requests库、Beautiful Soup库和Re库，编写基本的Python爬虫程序了。那么这一章就来学习一个专业的网络爬虫框架--Scrapy。没错，是框架，而不是像前面介绍的函数功能库。先来了解一下Scrapy：
　　Scrapy是一个快速、功能强大的网络爬虫框架。
　　可能大家还不太了解什么是框架，爬虫框架其实是实现爬虫功能的一个软件结构和功能组件的集合。
　　简而言之，Scrapy就是一个爬虫程序的半成品，可以帮助用户实现专业的网络爬虫。
　　使用Scrapy框架，不需要你编写大量的代码，Scrapy已经把大部分工作都做好了，允许你调用几句代码便自动生成爬虫程序，可以节省大量的时间。
　　当然，框架所生成的代码基本是一致的，如果遇到一些特定的爬虫任务时，就不如自己使用Requests库搭建来的方便了。Scrapy框架的安装
　　PyCharm安装pip3 install scrapy
　　测试安装：scrapy -h
　　出现框架版本说明安装成功。Scrapy爬虫框架结构
　　掌握Scrapy爬虫框架的结构是使用好Scrapy的重中之重！
　　先上图：
　　Scrapy框架结构
　　整个结构可以简单地概括为：＂5+2＂结构和3条数据流
　　5个主要模块（及功能）：Engine（无需用户配置）
　　（1）控制所有模块之间的数据流。
　　（2）可以根据条件触发事件。Downloader（无需用户配置）
　　（1）根据请求下载网页。Scheduler（无需用户配置）
　　（1）对所有爬取请求进行调度管理。Spider（需用户配置）
　　（1）解析DOWNLOADER返回的响应--response。
　　（2）产生爬取项--scraped item。
　　（3）产生额外的爬取请求--request。Item Pipelines（需用户配置）
　　（1）以流水线方式处理SPIDER产生的爬取项。
　　（2）由一组操作顺序组成，类似流水线，每个操作是一个ITEM PIPELINES类型。
　　（3）清理、检查和查重爬取项中的HTML数据并将数据存储到数据库中。
　　Scrapy框架结构
　　2个中间键：Downloader Middleware（用户可以配置）
　　（1）对Engine、Scheduler、Downloader之间进行用户可配置的控制。
　　（2）修改、丢弃、新增请求或响应。Spider Middleware（用户可以配置）
　　（1）对请求和爬取项进行再处理。
　　（2）修改、丢弃、新增请求或爬取项。
　　Scrapy框架结构
　　3条数据流：
　　（1）：图中数字 1-2
　　1：Engine从Spider处获得爬取请求--request。
　　2：Engine将爬取请求转发给Scheduler，用于调度。
　　（2）：图中数字 3-4-5-6
　　3：Engine从Scheduler处获得下一个要爬取的请求。
　　4：Engine将爬取请求通过中间件发送给Downloader。
　　5：爬取网页后，Downloader形成响应--response，通过中间件发送给Engine。
　　6：Engine将收到的响应通过中间件发送给Spider处理。
　　（3）：图中数字 7-8-9
　　7：Spider处理响应后产生爬取项--scraped item。
　　8：Engine将爬取项发送给Item Pipelines。
　　9：Engine将爬取请求发送给Scheduler。
　　任务处理流程：从Spider的初始爬取请求开始爬取，Engine控制各模块数据流，不间断从Scheduler处获得爬取请求，直至请求为空，最后到Item Pipelines存储数据结束。Scrapy爬虫常用命令
　　作为用户，只需配置好Scrapy框架的Spider和Item Pipelines，也就是数据流的入口与出口，便可完成一个爬虫程序的搭建。Scrapy提供了简单的爬虫命令语句，帮助用户一键配置剩余文件，那我们便来看看有哪些好用的命令吧。
　　Scrapy采用命令行创建和运行爬虫
　　PyCharm打开Terminal，启动Scrapy：scrapy -h
　　Scrapy基本命令行格式：scrapy  [options] [args]
　　具体常用命令如下：
　　Scrapy常用命令
　　下面用一个例子来学习一下命令的使用：
　　1.建立一个Scrapy爬虫工程，在已启动的Scrapy中继续输入：scrapy startrptoject pythonDemo
　　执行该命令，系统会在PyCharm的工程文件中自动创建一个工程，命名为pythonDemo。
　　目录结构
　　2.产生一个Scrapy爬虫，以教育部网站为例http://www.moe.gov.cn：scrapy genspider demo www.moe.gov.cn
　　命令生成了一个名为demo的spider，并在Spiders目录下生成文件demo.py。
　　命令仅用于生成demo.py文件，该文件也可以手动生成。
　　观察一下demo.py文件：import scrapy   class DemoSpider(scrapy.Spider):     name = ＂demo＂     allowed_domains = [＂www.moe.gov.cn＂]     start_urls = [＂http://www.moe.gov.cn/＂]      def parse(self, response):         pass
　　3.配置产生的spider爬虫，也就是demo.py文件：import scrapy   class DemoSpider(scrapy.Spider):     # 爬虫的名字     name = ＂demo＂     # 用户提交的初始域名，爬虫只能爬取域名下的HTML网页     allowed_domains = [＂www.moe.gov.cn＂]     # 爬取的开始页面，这里修改成需要爬取的页面即可     start_urls = [＂http://www.moe.gov.cn/jyb_xwfb/moe_2082/2021/2021_zl46/202108/t20210816_551472.html＂]          # parse()用户处理响应、解析内容形成字典、发现新的url爬取请求     def parse(self, response):         # 以＂/＂切片，用最后一个元素作为文件名         fname = response.url.split(＂/＂)[-1]         # 读取HTML文件，写入本地文件         with open(fname, ＂wb＂) as f:             f.write(response.body)         # 保存日志         self.log(＂Save file %s.＂ % fname)
　　4.运行爬虫，爬取网页：scrapy crawl demo
　　如果爬取成功，会发现在pythonDemo下多了一个t20210816_551472.html的文件，我们所爬取的网页内容都已经写入该文件了。
　　以上就是Scrapy框架的简单使用了。Scrapy爬虫数据类型Request类
　　Request对象表示一个HTTP请求，由Spider生成，由Downloader执行。
　　Request类Response类
　　Response对象表示一个HTTP响应，由Downloader生成，有Spider处理。
　　Response类Item类
　　Item对象表示一个从HTML页面中提取的信息内容，由Spider生成，由Item Pipelines处理。Item类似于字典类型，可以按照字典类型来操作。