Scrapy最新详细文档1.51以上版本

Scrapy是一种用于抓取网站和提取结构化数据的应用程序框架，可用于广泛的有用应用程序，如数据挖掘，信息处理或历史存档。

尽管Scrapy最初是为网络抓取而设计的，但它也可以用于使用API​​（例如Amazon Associates Web Services）或作为通用网络爬虫来提取数据。

漫画示例蜘蛛

为了向您展示Scrapy带来的内容，我们将以最简单的方式运行蜘蛛，向您介绍Scrapy Spider的示例。

这是一个蜘蛛的代码，它在网页http://quotes.toscrape.com上删除着名的引号 ：

import scrapy      class QuotesSpider(scrapy.Spider):      name = "quotes"      start_urls = [          'http://quotes.toscrape.com/tag/humor/',      ]        def parse(self, response):          for quote in response.css('div.quote'):              yield {                  'text': quote.css('span.text::text').extract_first(),                  'author': quote.xpath('span/small/text()').extract_first(),              }            next_page = response.css('li.next a::attr("href")').extract_first()          if next_page is not None:              yield response.follow(next_page, self.parse)  

将它放在一个文本文件中，将其命名为类似quotes_spider.py 的runspider命令并使用以下命令运行蜘蛛：

scrapy runspider quotes_spider.py -o quotes.json  

完成后，您将在quotes.json文件中包含JSON格式的引号列表，其中包含文本和作者，如下所示（为了更好的可读性，此处重新格式化）：

[{      "author": "Jane Austen",      "text": "u201cThe person, be it gentleman or lady, who has not pleasure in a good novel, must be intolerably stupid.u201d"  },  {      "author": "Groucho Marx",      "text": "u201cOutside of a dog, a book is man's best friend. Inside of a dog it's too dark to read.u201d"  },  {      "author": "Steve Martin",      "text": "u201cA day without sunshine is like, you know, night.u201d"  },  ...]  

刚刚发生了什么？

当您运行该命令时，Scrapy在其中查找Spider定义并通过其爬虫引擎运行它。scrapy runspider quotes_spider.py

通过向start_urls 属性中定义的URL发出请求（在这种情况下，只是幽默类别中的引号的URL ）开始爬行，并调用默认回调方法parse，将响应对象作为参数传递。在parse回调中，我们使用CSS Selector循环遍历quote元素，使用提取的引用文本和作者生成Python dict，查找下一页的链接并使用与parse回调相同的方法安排另一个请求 。

在这里，您会注意到Scrapy的一个主要优点：请求是 异步调度和处理的。这意味着Scrapy不需要等待请求完成和处理，它可以在此期间发送另一个请求或执行其他操作。这也意味着即使某些请求失败或在处理错误时发生错误，其他请求也可以继续运行。

虽然这使您能够进行非常快速的爬网（以容错方式同时发送多个并发请求），但Scrapy还可以通过一些设置控制爬网的礼貌。您可以执行以下操作：在每个请求之间设置下载延迟，限制每个域或每个IP的并发请求数量，甚至使用自动限制扩展来尝试自动计算这些请求。

注意

这是使用feed导出生成JSON文件，您可以轻松更改导出格式（例如XML或CSV）或存储后端（例如FTP或Amazon S3）。您还可以编写 项目管道以将项目存储在数据库中。

还有什么？

您已经了解了如何使用Scrapy从网站中提取和存储项目，但这只是表面。Scrapy提供了许多强大的功能，可以轻松高效地进行抓取，例如：

• 内置支持使用扩展的CSS选择器和XPath表达式从HTML / XML源中选择和提取数据，并使用正则表达式提取辅助方法。
• 一个交互式shell控制台（支持IPython），用于尝试使用CSS和XPath表达式来抓取数据，在编写或调试蜘蛛时非常有用。
• 内置支持以多种格式（JSON，CSV，XML）生成Feed导出并将其存储在多个后端（FTP，S3，本地文件系统）中
• 强大的编码支持和自动检测，用于处理外部，非标准和损坏的编码声明。
• 强大的可扩展性支持，允许您使用信号和定义良好的API（中间件，扩展和 管道）插入您自己的功能。
• 广泛的内置扩展和中间件用于处理：
  • cookie和会话处理
  • HTTP功能，如压缩，身份验证，缓存
  • 用户代理
  • robots.txt
  • 爬行深度限制
  • 和更多
• 一个Telnet控制台，用于连接到Scrapy进程内部运行的Python控制台，以内省和调试您的爬虫
• 还有其他好东西，比如可重复使用的蜘蛛，可以从Sitemaps和XML / CSV Feed中抓取网站，自动下载与抓取项目相关联的图像（或任何其他媒体）的媒体管道，缓存DNS解析器等等！