我要偷偷的學Python，然后驚呆所有人（第十三天）

標題無意冒犯，就是覺得這個廣告挺好玩的
上面這張思維導圖喜歡就拿走，反正我也學不了這么多

前言

前期回顧：我要偷偷學Python（第十二天）

第十二篇的專案還在持續更新中，哎，日理萬機雖然談不上，但是也是手忙腳亂，這不，自動表單生成是寫完了，但是學校網路實在是受不了啊，2G，測驗不了，就只能一直擱置在那邊了，
明天就可以去測驗了，明天出學校去逛逛，

今天講scrapy框架，有不少小伙伴問我說為什么最近沒更新，實在是這個不好辦吶，安裝上就花了些功夫嘞，不過你們跟著我的安裝步驟，就不用走那么多的彎路了，

插播一條推送：（如果是小白的話，可以看一下下面這一段）

歡迎來到我們的圈子

我建了一個Python學習答疑群，有興趣的朋友可以了解一下：這是個什么群

群里已經有一千三百多個小伙伴了哦！！！

直通群的傳送門：傳送門

本系列文默認各位有一定的C或C++基礎，因為我是學了點C++的皮毛之后入手的Python，這里也要感謝齊鋒學長送來的支持，
本系列文默認各位會百度，學習‘模塊’這個模塊的話，還是建議大家有自己的編輯器和編譯器的，上一篇已經給大家做了推薦啦？

我要的不多，點個關注就好啦
然后呢，本系列的目錄嘛，說實話我個人比較傾向于那兩本 Primer Plus，所以就跟著它們的目錄結構吧，

本系列也會著重培養各位的自主動手能力，畢竟我不可能把所有知識點都給你講到，所以自己解決需求的能力就尤為重要，所以我在文中埋得坑請不要把它們看成坑，那是我留給你們的鍛煉機會，請各顯神通，自行解決，

安裝scrapy

這里我并不打算說我安裝程序中踩了多少坑，反正你現在跟著我來做：

1、win+R，cmd，打開終端
2、

pip install pywin32
pip install pyopenssl
pip install wheel

3、打開https://www.lfd.uci.edu/~gohlke/pythonlibs/，找到twisted和lxml兩個whl檔案，下載下來，

4、進入兩個檔案的存放目錄下，

pip install Twisted·····
pip install lxml····

5、安裝scrapy，這里需要引入國內源，

pip install Scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple

整完之后速度嗖嗖的，

好，當它顯示給你說success，就萬事大吉了嗎？并不是這樣的，
這里你需要做兩件事情：
1、先弄清楚你安裝在了那個Python上，如果你的電腦上只有一個Python就零擔別論了，像我的電腦上就有三個Python，
這時候：終端輸入：python --version，就可以看到Python的版本號了，
2、在新建檔案的時候，

好極，這樣就解決了pycharm上有些包無法安裝的問題，以及有些包不翻墻解決不了的問題，

好，我們開始今天的主題：Scrapy，

什么是scrapy

Scrapy，Python開發的一個快速、高層次的螢屏抓取和web抓取框架，用于抓取web站點并從頁面中提取結構化的資料，Scrapy用途廣泛，可以用于資料挖掘、監測和自動化測驗.

牛頓說，他只是站在了巨人的肩膀上，說真的，作為一個學C++過來的人，我還沒有體驗過框架的力量，聽說框架可以定制功能，我們只需要將我們所需要的主要功能填充進去，便可以快速的得到我們想要的效果，就像把不同的光碟，插入DVD，

Scrapy吸引人的地方在于它是一個框架，任何人都可以根據需求方便的修改，它也提供了多種型別爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持，

scrapy架構

這張架構圖能看懂不？百度一搜基本全是這張，

Scrapy Engine(引擎)：負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、資料傳遞等，
Scheduler(調度器)：它負責接受引擎發送過來的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,從中分析提取資料，獲取Item欄位需要的資料，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、存盤等）的地方，
Downloader Middlewares（下載中間件）：一個可以自定義擴展下載功能的組件，
Spider Middlewares（Spider中間件）：一個可以自定擴展和操作引擎和Spider中間通信的功能組件，

注意：當只有調度器中沒剩下request的時候，整個專案的運轉才會停止，
也就是說，如果某個任務在運行程序中失敗了，該網址會被重新訪問，

我在網上看到一段挺形象生動的：

！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定幫我下載一下這個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()這個函式處理的）

12 Spider：（處理完畢資料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資料，

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，然后從第四步開始回圈，直到獲取完老大需要全部資訊，

14 管道``調度器：好的，現在就做！

pycharm體驗scrapy專案

天才第一步：創建scrapy專案

由于pycharm無法直接創建scrapy專案，所以這樣操作：
1、在pycharm中打開終端，輸入scrapy startproject 專案名（比如說：Test_Scrapy）
弄完之后，重繪兩下，會出現這么個東西：

說明創建成功了，

下面來簡單介紹- - 下各個主要檔案的作用:

scrapy.cfg :專案的組態檔
test_scrapy/ :專案的Python模塊,將會從這里參考代碼
test_scrapy/items.py :專案的目標檔案
test_scrapy/pipelines.py :專案的管道檔案
test_scrapy/settings.py :目的設定檔案
test_scrapy/spiders/ :存盤爬蟲代碼目錄

天才第二步：明確目標，構建items

我們打算抓取：http://www.itcast.cn/channel/ 網站里的所有講師的姓名、職稱和個人資訊，

打開test_scrapy目錄下的items.py
Item 定義結構化資料欄位，用來保存爬取到的資料，有點像Python中的dict，但是提供了一些額外的保護減少錯誤，
可以通過創建一個 scrapy.Item 類， 并且定義型別為
scrapy.Field的類屬性來定義一個Item（可以理解成類似于ORM的映射關系），

接下來，創建一個ItcastItem 類，和構建item模型（model），

class ItcastItem(scrapy.Item):
	name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

制作爬蟲

進入spiders目錄，終端輸入命令：

scrapy genspider itcast "itcast.cn"

將在test_scrapy/test_scrapy/spider目錄下創建一個名為itcast的爬蟲，并指定爬取域的范圍：

打開 spider目錄里的 itcast.py，默認增加了下列代碼:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

要建立一個Spider， 你必須用scrapy.Spider類創建一個子類，并確定了三個強制的屬性 和 一個方法，

name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字，

allow_domains = [] 是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略，

start_urls = () ：爬取的URL元祖/串列，爬蟲從這里開始抓取資料，所以，第一次下載的資料將會從這些urls開始，其他子URL將會從這些起始URL中繼承性生成，

parse(self, response) ：決議的方法，每個初始URL完成下載后將被呼叫，呼叫的時候傳入從每一個URL傳回的Response物件來作為唯一引數，主要作用如下：

負責決議回傳的網頁資料(response.body)，提取結構化資料(生成item)
生成需要下一頁的URL請求，

將start_urls的值修改為需要爬取的第一個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)

然后運行一下看看，在test_scrapy/test_scrapy目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲名，

運行之后，如果列印的日志出現 [scrapy] INFO: Spider closed (finished)，代表執行完成， 之后當前檔案夾中就出現了一個 teacher.html 檔案，里面就是我們剛剛要爬取的網頁的全部源代碼資訊，

取資料

爬取整個網頁完畢，接下來的就是的取程序了，

我們之前在test_scrapy/test_scrapy/items.py 里定義了一個ItcastItem類， 這里引入進來

 from test_scrapy/test_scrapy/.items import ItcastItem

好，這樣寫妥妥是要報錯的，不這樣寫又沒法子，搞了半天，

from ..items import ItcastItem

然后將我們得到的資料封裝到一個 ItcastItem 物件中，可以保存每個老師的屬性：

from test_scrapy.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老師資訊的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 將我們得到的資料封裝到一個 `ItcastItem` 物件
        item = ItcastItem()
        #extract()方法回傳的都是unicode字串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath回傳的是包含一個元素的串列
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        items.append(item)

    # 直接回傳最后資料
    return items

scrapy保存資訊的最簡單的方法主要有四種，-o 輸出指定格式的檔案，這里我采用的是csv檔案

csv 逗號運算式，可用Excel打開

scrapy crawl itcast -o teachers.csv

最近都比較忙了些，先把這個框架走通吧，后面還要拓展再拓展，難搞哦，，，