摘要：解析的方法，每個(gè)初始完成下載后將被調(diào)用，調(diào)用的時(shí)候傳入從每一個(gè)傳回的對(duì)象來(lái)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(yè)數(shù)據(jù)，提取結(jié)構(gòu)化數(shù)據(jù)生成生成需要下一頁(yè)的請(qǐng)求。

Scrapy是用純Python實(shí)現(xiàn)一個(gè)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(xiě)的應(yīng)用框架，用途非常廣泛。

框架的力量，用戶(hù)只需要定制開(kāi)發(fā)幾個(gè)模塊就可以輕松的實(shí)現(xiàn)一個(gè)爬蟲(chóng)，用來(lái)抓取網(wǎng)頁(yè)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(lái)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(hào)、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(guò)來(lái)的Request請(qǐng)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(shí)，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(qǐng)求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來(lái)處理，

Spider（爬蟲(chóng)）：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(guò)濾、存儲(chǔ)等）的地方.

Downloader Middlewares（下載中間件）：你可以當(dāng)作是一個(gè)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(gè)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(xiě)好，程序開(kāi)始運(yùn)行...

1 引擎：Hi！Spider, 你要處理哪一個(gè)網(wǎng)站？

2 Spider：老大要我處理xxxx.com。

3 引擎：你把第一個(gè)需要處理的URL給我吧。

4 Spider：給你，第一個(gè)URL是xxxxxxx.com。

5 引擎：Hi！調(diào)度器，我這有request請(qǐng)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(qǐng)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(gè)request請(qǐng)求

10 下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個(gè)request下載失敗了。然后引擎告訴調(diào)度器，這個(gè)request下載失敗了，你記錄一下，我們待會(huì)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(guò)了，你自己處理一下（注意！這兒responses默認(rèn)是交給def parse()這個(gè)函數(shù)處理的）

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

13 引擎：Hi ！管道 我這兒有個(gè)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(kāi)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(gè)程序才會(huì)停止，（也就是說(shuō)，對(duì)于下載失敗的URL，Scrapy也會(huì)重新下載。）

新建項(xiàng)目 (scrapy startproject xxx)：新建一個(gè)新的爬蟲(chóng)項(xiàng)目

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

制作爬蟲(chóng) （spiders/xxspider.py）：制作爬蟲(chóng)開(kāi)始爬取網(wǎng)頁(yè)

存儲(chǔ)內(nèi)容 （pipelines.py）：設(shè)計(jì)管道存儲(chǔ)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(jí)pip版本：pip install --upgrade pip
通過(guò)pip 安裝 Scrapy 框架pip install Scrapy

Python 2 / 3
安裝非Python的依賴(lài) sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通過(guò)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(lèi)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(gè)平臺(tái)的安裝方法

創(chuàng)建一個(gè)Scrapy項(xiàng)目

定義提取的結(jié)構(gòu)化數(shù)據(jù)(Item)

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

編寫(xiě) Item Pipelines 來(lái)存儲(chǔ)提取到的Item(即結(jié)構(gòu)化數(shù)據(jù))

在開(kāi)始爬取之前，必須創(chuàng)建一個(gè)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(chēng)，可以看到將會(huì)創(chuàng)建一個(gè) mySpider 文件夾，目錄結(jié)構(gòu)大致如下：

下面來(lái)簡(jiǎn)單介紹一下各個(gè)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(huì)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(chǔ)爬蟲(chóng)代碼目錄

我們打算抓取：http://www.itcast.cn/channel/... 網(wǎng)站里的所有講師的姓名、職稱(chēng)和個(gè)人信息。

打開(kāi)mySpider目錄下的items.py

Item 定義結(jié)構(gòu)化數(shù)據(jù)字段，用來(lái)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(cuò)誤。

可以通過(guò)創(chuàng)建一個(gè) scrapy.Item 類(lèi)， 并且定義類(lèi)型為
scrapy.Field的類(lèi)屬性來(lái)定義一個(gè)Item（可以理解成類(lèi)似于ORM的映射關(guān)系）。

接下來(lái)，創(chuàng)建一個(gè)ItcastItem 類(lèi)，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(chóng)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(gè)名為itcast的爬蟲(chóng)，并指定爬取域的范圍：
scrapy genspider itcast "itcast.cn"
打開(kāi) 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(xiě)上面的代碼，只不過(guò)使用命令可以免去編寫(xiě)固定代碼的麻煩

要建立一個(gè)Spider， 你必須用scrapy.Spider類(lèi)創(chuàng)建一個(gè)子類(lèi)，并確定了三個(gè)強(qiáng)制的屬性 和 一個(gè)方法。

name = "" ：這個(gè)爬蟲(chóng)的識(shí)別名稱(chēng)，必須是唯一的，在不同的爬蟲(chóng)必須定義不同的名字。

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

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

parse(self, response) ：解析的方法，每個(gè)初始URL完成下載后將被調(diào)用，調(diào)用的時(shí)候傳入從每一個(gè)URL傳回的Response對(duì)象來(lái)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(yè)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(yè)的URL請(qǐng)求。
將start_urls的值修改為需要爬取的第一個(gè)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(lèi)的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲(chóng)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(gè) teacher.html 文件，里面就是我們剛剛要爬取的網(wǎng)頁(yè)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(shí)，可能會(huì)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(wàn)能鑰匙，經(jīng)過(guò)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(gè)網(wǎng)頁(yè)完畢，接下來(lái)的就是的取過(guò)程了，首先觀察頁(yè)面源碼：

    
  xxx  
    
 xxxxx 
    
 xxxxxxxx 

是不是一目了然？直接上XPath開(kāi)始提取數(shù)據(jù)吧。

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

  from mySpider.items import ItcastItem

然后將我們得到的數(shù)據(jù)封裝到一個(gè) ItcastItem 對(duì)象中，可以保存每個(gè)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(gè) `ItcastItem` 對(duì)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(gè)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(shí)先不處理管道，后面會(huì)詳細(xì)介紹。
保存數(shù)據(jù)

scrapy保存信息的最簡(jiǎn)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(hào)表達(dá)式，可用Excel打開(kāi)

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(qǐng)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(gè) `ItcastItem` 對(duì)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(gè)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(guò)pipeline
    #return items

思考過(guò)后 下面給出
Python中yield的解釋