Scrapy 框架
（本文僅用作個人記錄）
-? Scrapy框架是用純python實現(xiàn)一個為了爬去網站數(shù)據(jù)，提取結構性數(shù)據(jù)而編寫的應用框架，用途非常廣泛。
-?Scrapy 使用了 Twisted['tw?st?d](其主要對手是Tornado)異步網絡框架來處理網絡通訊，可以加快我們的下載速度，不用自己去實現(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 架構圖
Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數(shù)據(jù)傳遞等。
Scheduler(調度器): 它負責接受引擎發(fā)送過來的Request請求，并按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。
Downloader（下載器）：負責下載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）：它負責處理所有Responses,從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)，
Item Pipeline(管道)：它負責處理Spider中獲取到的Item，并進行進行后期處理（詳細分析、過濾、存儲等）的地方.
Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。
Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）
Scrapy的運行流程：
1.引擎：Hi！Spider, 你要處理哪一個網站？
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！調度器，我這有request請求你幫我排序入隊一下。
6.調度器：好的，正在處理你等一下。
7.引擎：Hi！調度器，把你處理好的request請求給我。
8.調度器：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。（如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，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)之后對于需要跟進的URL），Hi！引擎，我這里有兩個結果，這個是我需要跟進的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！調度器！這是需要跟進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``調度器：好的，現(xiàn)在就做！
（只有當調度器中不存在任何request時，整個程序才會停止，對于下載失敗的URL，Scrapy會重新下載。）
制作Scapy爬蟲的步驟：
新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目
明確目標 （編寫items.py）：明確你想要抓取的目標
制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁
存儲內容 （pipelines.py）：設計管道存儲爬取內容?
Scrapy實例：
我們要爬取的網站為：http://quotes.toscrape.com/，這是一個英文版的名人名言網站。如下圖所示。
1.新建項目：
進入任意一個文件夾，直接使用scrapy命令生成項目：
scrapy stratproject tutorial
命令將會創(chuàng)建一個tutorial 文件夾，文件夾結構如下圖所示。
----scrapy.cfg? ? ? ? ? ? ? ? ? ? ? ? ? ? #Scrapy部署時的配置文件
----tutorial
????---------__init__.py? ? ? ? ? ? ? ? #里面內容為空，但必須要有，不可刪除
????---------items.py? ? ? ? ? ? ? ? ? ? #Items的定義，定義爬取的數(shù)據(jù)結構
????---------middlewares.py? ? ? ? #定義爬取時的中間件
????---------pipelines.py? ? ? ? ? ? ? #定義數(shù)據(jù)管道
????---------settings.py? ? ? ? ? ? ? ? #配置文件
? ? ---------spiders文件夾? ? ? ? ? ? #放置Spiders的文件夾
進入tutorial文件夾，生成爬蟲：
scrapy genspider quotes quotes.toscrape.com
(genspider 第一個參數(shù)是Spider的名稱，第二個參數(shù)是指定爬取域的范圍)
執(zhí)行完畢之后，spiders文件夾下多了一個quotes.py
2.明確目標：創(chuàng)建Item
打開 items.py
我們要抓取該網站的 名言文本，作者以及標簽。
所以items.py 修改如下：
注意定義的類名為 QuotesItem,且需要繼承scrapy.Item類。
3.制作爬蟲
打開spiders 文件夾下的quotes.py
初始內容如下：
name：每個項目唯一的名字
allowed_domains ：允許爬取的域名，如果初始或者后續(xù)的請求鏈接不是這個域名下的，則請求鏈接會被過濾掉
start_urls ：起始url，第一個請求鏈接
parse() ：解析方法，當下載器完成請求之后，返回的響應就是該方法的response 參數(shù)。該方法負責解析返回的響應、提取數(shù)據(jù)或者生成下一步請求。
根據(jù)對網頁結構的分析，我們使用css選擇器提取數(shù)據(jù)。結果如下。
next 是用來獲取下一頁的鏈接。
對于后續(xù)請求，我們構造請求需要用到 scrapy.Request。這里傳遞兩個參數(shù)，url和callback。
url是請求鏈接，callback 是回調函數(shù)。當指定了該回調函數(shù)的請求完成之后，獲取到相應，引擎會將該響應作為參數(shù)傳遞給這個回調函數(shù)?；卣{函數(shù)進行解析或者生成下一步請求。這里的回調函數(shù)仍然使用parse進行解析。這樣爬蟲就進入了一個循環(huán)。
最后使用yield 返回該請求：yield scrapy.Request(url=url, callback=self.parse)
理論上，此爬蟲程序已經可以完成爬取，但是我們沒有將爬取結果保存下來，爬取內容只會在終端顯示。我們需要把爬取結果保存到數(shù)據(jù)庫。
4.存儲結果
如果只是保存到文件，我們可以不需要編寫任何文件，只需要執(zhí)行爬蟲程序時 在后面加上?
- o? quotes.json
完整命令：scrapy crwal quotes -o quotes.json
那么在tutorial 文件夾下就多處一個 quotes.json 文件。
如果保存到數(shù)據(jù)庫，就需要編寫pipelines.py 文件。
"""
Item Pipeline 為項目管道，當Item生成后，它會自動被送到ItemPipeline進行處理，
常用來：
清理HTml數(shù)據(jù)
驗證爬取數(shù)據(jù)
查重去重
保存到數(shù)據(jù)庫
"""
實現(xiàn)Item Pipeline很簡單，只需實現(xiàn) process_item(self, item, spider) 方法即可。Item Pipeline啟動之后會自動調用這個方法。process_item 方法必須返回包含數(shù)據(jù)的字典或者Item對象，或者拋出 DropItem 異常。
接下來我們實現(xiàn) 篩選掉text長度大于100的Item，并將結果保存到MySQL數(shù)據(jù)庫。
TutorialPipelin 類的 process_item 方法已經實現(xiàn)了篩選的功能。
要實現(xiàn)保存到數(shù)據(jù)的功能，我們還需要自己定義一個類---MySQLPipeline 類名可以隨意取。
定義好這兩個類之后，需要在settings.py 中使用他們。
啟用 ITEM_PIPELINES 配置，注意要類名一致。鍵值為優(yōu)先級，數(shù)字越小優(yōu)先級越高。
之后，命令行執(zhí)行? scrapy crawl quotes，可以看到一些scrapy的執(zhí)行情況。
最后打開數(shù)據(jù)庫，看一下保存情況。需要提前建好表。
至此，我們就已經完成了Quotes網站的Scrapy抓取的簡單入門。
PS:
from? scrapy.utils.project? import? get_project_settings
self.host = get_project_settings.get("MYSQL_HOST")
這個方法也可以從settings.py里面獲取全局配置信息。
