一、Scrapy框架简介
Scrapy是:由Python语言开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据接收服务器消息回调url失败，只需要实现少量的代码，就能够快速的抓取。
Scrapy使用了Twisted异步网络框架来处理网络通信，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活地实现各种需求。
Scrapy可以应用在包括数据挖掘、信息处理或存储历史数据等一系列的程序中，其最初是为页面抓取(更确切地说是网络抓取)而设计的，也可以应用于获取API所返回的数据(例如Amazon Associates Web Services)或者通用的网络爬虫。
二、Scrapy架构
1、架构图
官方架构图
翻译架构图
2、组件
Scrapy主要包括了以下组件：
Scrapy引擎(ScrapyEngine)：用来控制整个系统的数据处理流程，并进行事务处理的触发。
3、运行流程
数据流(Data flow)，Scrapy中的数据流由执行引擎（ScrapyEngine）控制，其过程如下:
引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。引擎向调度器请求下一个要爬取的URL。调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站三、Scrapy安装以及生成项目
1、下载安装
Linux下载方式，直接安装
pip install scrapy或者pip3 install scrapy）windows 如果用Pycharm的话，在Pycharm底部打开命令终端
输入命令
pip install scrapy2、创建Scrapy项目
#创建一个叫ScrapyDemmoscrapy startproject ScrapyDemmo#进入项目文件夹cd ScrapyDemmo#创建一个名为baidu的爬虫，爬虫目标www.baidu.comscrapy genspider baidu www.baidu.com创建完成后，目录结构如下：
spiders下的baidu.py是scrapy用命令（scrapy genspider baidu ）自动为我们生成的。
内容如下：
import scrapyclass BaiduSpider(scrapy.Spider): name = 'baidu' allowed_domains = ['www.baidu.com'] start_urls = ['http://www.baidu.com/'] def parse(self, response): title = response.xpath('//html/dead/title/text()') print(title)当然，可以不用命令生成，可以自己在spiders下创建爬虫，您必须继承 scrapy.Spider 类， 且定义以下三个属性:
3、运行爬虫
运行方法：
在项目目录底下用命令运行，如下，我项目目录 D:PythonScrapyDemmo，运行name为baidu的爬虫
D:PythonScrapyDemmo> scrapy crawl baidu在scrapy中，为了避免每一次运行或调试都输入一串命令，可以在项目文件下新建一个run.py文件，每次运行爬虫只需要运行此脚本即可。且运行调试模式也需要设置此启动脚本。
from scrapy import cmdlinecmdline.execute("scrapy crawl baidu".split())最后运行这个run.py即可，执行结果：
D:PythonvenvScriptspython.exe D:PythonScrapyDemmoScrapyDemmorun.py 2022-10-28 10:12:55 [scrapy.utils.log] INFO: Scrapy 2.7.0 started (bot: ScrapyDemmo)2022-10-28 10:12:55 [scrapy.utils.log] INFO: Versions: lxml 4.9.1.0, libxml2 2.9.12, cssselect 1.1.0, parsel 1.6.0, w3lib 2.0.1, Twisted 22.8.0, Python 3.9.13 (tags/v3.9.13:6de2ca5, May 17 2022, 16:36:42) [MSC v.1929 64 bit (AMD64)], pyOpenSSL 22.1.0 (OpenSSL 3.0.5 5 Jul 2022), cryptography 38.0.1, Platform Windows-10-10.0.22000-SP02022-10-28 10:12:55 [scrapy.crawler] INFO: Overridden settings:{'BOT_NAME': 'ScrapyDemmo', 'NEWSPIDER_MODULE': 'ScrapyDemmo.spiders', 'REQUEST_FINGERPRINTER_IMPLEMENTATION': '2.7', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['ScrapyDemmo.spiders'], 'TWISTED_REACTOR': 'twisted.internet.asyncioreactor.AsyncioSelectorReactor'}2022-10-28 10:12:55 [asyncio] DEBUG: Using selector: SelectSelector......若嫌弃scrapy日志文件太杂乱,想无日志输出,只需在后面增加–nolog即可:
from scrapy import cmdlinecmdline.execute('scrapy crawl baidu --nolog'.split())执行导出为json或scv格式，执行爬虫文件时添加-o选项即可
scrapy crawl 项目名 -o *.csv
scrapy crawl 项目名 -o *.json
对于json文件，在setting.js文件里添加，设置编码格式，否则会乱码：
from scrapy import cmdline cmdline.execute('scrapy crawl baidu -o baidu.csv'.split())四、Scrapy配置文件settings.py
默认配置文件，主要设置参数：
BOT_NAME = 'ScrapyDemmo' #Scrapy项目的名字,这将用来构造默认 User-Agent,同时也用来log,当您使用 startproject 命令创建项目时其也被自动赋值。SPIDER_MODULES = ['ScrapyDemmo.spiders'] #Scrapy搜索spider的模块列表 默认: [xxx.spiders]NEWSPIDER_MODULE = 'ScrapyDemmo.spiders' #使用 genspider 命令创建新spider的模块。默认: 'xxx.spiders' #爬取的默认User-Agent，除非被覆盖 #USER_AGENT = 'ScrapyDemmo (+http://www.yourdomain.com)'#如果启用,Scrapy将会采用 robots.txt策略 ROBOTSTXT_OBEY = True#Scrapy downloader 并发请求(concurrent requests)的最大值,默认: 16 #CONCURRENT_REQUESTS = 32#为同一网站的请求配置延迟（默认值：0） # See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay# See also autothrottle settings and docs#DOWNLOAD_DELAY = 3 #下载器在下载同一个网站下一个页面前需要等待的时间,该选项可以用来限制爬取速度,减轻服务器压力。同时也支持小数:0.25 以秒为单位 #下载延迟设置只有一个有效 #CONCURRENT_REQUESTS_PER_DOMAIN = 16 #对单个网站进行并发请求的最大值。#CONCURRENT_REQUESTS_PER_IP = 16#对单个IP进行并发请求的最大值。如果非0,则忽略#禁用Cookie（默认情况下启用） #COOKIES_ENABLED = False#禁用Telnet控制台（默认启用） #TELNETCONSOLE_ENABLED = False#覆盖默认请求标头： #DEFAULT_REQUEST_HEADERS = {# 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',# 'Accept-Language': 'en',#}#项目管道，300为优先级，越低越爬取的优先度越高# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html#ITEM_PIPELINES = {# 'ScrapyDemmo.pipelines.ScrapydemmoPipeline': 300,#}还可以设置日志的等级与日志存放的路径：
相关变量
LOG_LEVEL= ""LOG_FILE="日志名.log"日志等级分为，默认等级是1
DEBUG 调试信息INFO 一般信息WARNING 警告ERROR 普通错误CRITICAL 严重错误
如果设置
LOG_LEVEL=”WARNING”，就只会WARNING等级之下的ERROR和CRITICAL
一般主要需要配置的几个参数，其他按需配置即可。
USER_AGENT：默认是注释的，这个东西非常重要，如果不写很容易被判断为电脑爬虫。
ROBOTSTXT_OBEY：是否遵循机器人协议，默认是true，需要改为false，否则很多东西爬不了
DEFAULT_REQUEST_HEADERS：和USER_AGENT类似，只是参数更完整。
五、完整案例（下载图片）
用scrapy框架下载以前的示例：python爬虫之批量下载图片
1、修改settings.py 主要参数
#关闭robot.txt协议ROBOTSTXT_OBEY = False#页面延迟下载，我这里测试，可以先不设置DOWNLOAD_DELAY = 1# 是否启用CookieCOOKIES_ENABLED = True#请求头 DEFAULT_REQUEST_HEADERS = { 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'en', 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'}#打开下载器DOWNLOADER_MIDDLEWARES = { 'ScrapyDemmo.middlewares.ScrapydemmoDownloaderMiddleware': 543,}#打开优先级，并添加自己编写的图片下载管道ITEM_PIPELINES = { 'ScrapyDemmo.pipelines.ScrapydemmoPipeline': 300, 'ScrapyDemmo.pipelines.ImageDownloadPipeline': 300,}#添加下载储存目录IMAGES_STORE = 'D:Pythonpic'# 文件保存时间#IMAGES_EXPIRES = 902、定义Item字段（Items.py）
本项目用于下载图片，因此可以仅构建图片名和图片地址字段。
import scrapyclass ScrapydemmoItem(scrapy.Item):#图片下载链接 image_url = scrapy.Field() #图片名称 image_name = scrapy.Field()3、编写爬虫文件（spiders目录下）
这里文件名为：image_download.py
以前用requests库和BeautifulSoup库下载图片，这里就不需要了，scrapy自带相关函数和方法。
scrapy元素定位，提供三种方式，正则、Xpath表达式、css。
我这里有xpath定位方式。
import scrapyimport refrom ..items import ScrapydemmoItemclass ImageSpider(scrapy.Spider): name = 'image_download' allowed_domains = ['desk.3gbizhi.com'] start_urls = ['https://desk.3gbizhi.com/deskMV/index.html'] def parse(self, response): #导入Items.py字段 items = ScrapydemmoItem() #获取所有链接列表 lists = response.xpath('//div[5]/ul/li') #点位元素循环获取图片链接和图片名称 for i in lists: #图片名称 image_name = i.xpath('./a/img/@alt').get() #图片链接 items['image_url'] = i.xpath('./a/img/@*[1]').get().replace('.278.154.jpg', '') #图片格式类型 image_type = re.sub(r'h.*d+.', '', items['image_url']) #拼接文件名，图片名称+图片格式 items['image_name'] = '{}.{}'.format(image_name, image_type) yield items#循环跳转下一页，并重复返回数据，这里测试先下载1页的图片，总共23页。 for i in range(2,3): next_url = 'https://desk.3gbizhi.com/deskMV/index_{}.html'.format(i) yield scrapy.Request(next_url,callback=self.parse)关于 yield 的理解，⾸先，如果你还没有对yield有个初步分认识，那么你先把yield看做“return”接收服务器消息回调url失败，这个是直观的，它⾸先是个return。
最主要的不同在于yield在返回值后还可以继续运行接下来的代码，使用的函数会返回一个生成器，而return在返回后就不在执行代码。
以上两个yield：
4、修改管道文件pipelines.py用于下载图片
除了爬取文本，我们可能还需要下载文件、视频、图片、压缩包等，这也是一些常见的需求。scrapy提供了FilesPipeline和ImagesPipeline，专门用于下载普通文件及图片。
继承 Scrapy 内置的 ImagesPipeline，只需要重写get_media_requests 和item_completed函数即可。
from scrapy.pipelines.images import ImagesPipelinefrom scrapy.exceptions import DropItemfrom scrapy import Requestclass ScrapydemmoPipeline: def process_item(self, item, spider): return itemclass ImageDownloadPipeline(ImagesPipeline): def get_media_requests(self, item, info): # 下载图片，如果传过来的是集合需要循环下载 # meta里面的数据是从spider获取，然后通过meta传递给下面方法：file_path yield Request(url = item['image_url'],meta = {'filename':item['image_name']}) def item_completed(self, results, item, info): # 分析下载结果并剔除下载失败的图片 image_paths = [x['path'] for ok, x in results if ok] if not image_paths: raise DropItem("Item contains no images") return item def file_path(self, request, response=None, info=None): # 接收上面meta传递过来的图片名称 file_name = request.meta['filename'] return file_name以上两个函数即可下载图片了，图片名称为自动已哈希值命名，如：0db6e07054d966513f0a6f315b687f205c7ced90.jpg 这种命名方式不友好，所以我们需要重写 file_path函数，自定义图片名称。
5、编写执行文件run.py运行
在项目下新建run.py作为执行文件
from scrapy import cmdline#cmdline.execute('scrapy crawl image_download --nolog'.split())cmdline.execute('scrapy crawl image_download'.split())运行此文件，执行结果，在目录下载第一页壁纸完成。
六、小结
除了 ImagesPipeline 处理图片外，还有 FilesPipeline 可以处理文件，使用方法与图片类似，事实上 ImagesPipeline 是 FilesPipeline 的子类，因为图片也是文件的一种。
Scrapy很强大，对于大型网站非常实用，还可以同时运行多个爬虫程序，提升效率。Scrapy还有很多功能，可以自己研究。
本文到此结束，希望对大家有所帮助！