二、自学Scrapy：Scrapy之Hello World

这一讲我们通过创建一个简单的项目，抓取BT吧这个网站的首页，来进入Scrapy的世界。

1、通过Scrapy命令行工具创建一个Scrapy项目。打开电脑终端，输入以下命令，同时浏览目录结构。

.

├── scrapy2_demo

│    ├── __init__.py   //这个不重要

│    ├── items.py     //项目items文件

│    ├── pipelines.py  //项目pipelines文件

│    ├── settings.py  //项目settings文件

│    └── spiders     //放置scrapy的spider的地方

│         └── __init__.py

└── scrapy.cfg       //scrapy配置文件

Items.py其实就是放你抓取到的数据的地方，是数据的承载容器。

pipelines.py其实是你把items中的数据，存储到哪里，如数据库、FTP等

settings.py其实就是项目的整体配置设置的地方。

spiders文件是放爬取器的地方。

通过以上说明，大概也能了解scrapy的运行是什么样的一个过程？简单来说，就是通过运行一个或者多个spiders中的爬取器，去爬取网页，爬取到的数据使用items中的类进行暂存，最后通过pipelines中配置的管道输送到数据库或者FTP等外部存储系统中。

当然以上的项目结构仅仅是初学的时候使用的，后期随着学习的深入，必然会添加更多的东西。暂时我们按照最简流程运行。

2、创建第一个spiders。

生成spider有两种方法。

第一种是自己编辑一个类，而这个类从scrapy.Spider继承即可，scrapy.Spider有很多属性和方法，记得覆盖和自定义属性值即可。

第二种是通过scrapy命令行工具中genspider命令生成。

这里我们用第二种，用命令生成，自己编辑其实也就是按照生成的模板自己敲代码而已。命令生成按以下步骤进行：

$ pwd  //首先是切换到项目的spiders子目录

scrapy2_demo/scrapy2_demo/spiders

$ scrapy genspider -t basic FirstSpider btba.com.cn //以basic模板结构，生成名为FirstSpider，域名空间为btba.com.cn的Spider

Created spider 'FirstSpider' using template 'basic' in module:

  scrapy2_demo.spiders.FirstSpider

 $

命令解析稍后我会单独写一篇文章专题讲解，现在先只要知道这样用就可以了。
3、spiders初始代码解析

# -*- coding: utf-8 -*-

import scrapy 

class FirstspiderSpider(scrapy.Spider):

    #为此spider设置一个在当前项目中唯一的一个名字，这个名字在运行时使用到

    name = "FirstSpider"

    #设置此spider的一个允许的domain list，可选参数，设置以后超过此域名的url将被spider丢弃，子域名不受影响。

    allowed_domains = ["btba.com.cn"]

    #爬取网页的起始网址，一般设置网站的首页，需要登录才能爬取数据的，可以设置在登录页。

    start_urls = (

        'http://www.btba.com.cn/',

    )

    #爬取网页以后肯定是要解析啊，不然哪里来的数据，解析的工作就是parse方法来完成，所以他有一个response的参数传入下载的网页内容（response.body）。

    def parse(self, response):

        pass

4、修改spider的parse方法

    def parse(self, response):

        content = response.body

        filename = 'scrapy_%s' % response.url.split('.')[1]

        with open(filename , 'wb') as file:

         file.write(content)

5、运行spider

$ pwd  //首先是切换到项目的spiders子目录

scrapy2_demo/scrapy2_demo/spiders

$ scrapy runspider ./FirstSpider.py 

2016-11-02 16:28:11 [scrapy] INFO: Scrapy 1.2.0 started (bot: scrapy2_demo)

2016-11-02 16:28:11 [scrapy] INFO: Overridden settings: {'NEWSPIDER_MODULE': 'scrapy2_demo.spiders', 'SPIDER_MODULES': ['scrapy2_demo.spiders'], 'ROBOTSTXT_OBEY': True, 'BOT_NAME': 'scrapy2_demo'}

2016-11-02 16:28:11 [scrapy] INFO: Enabled extensions:

['scrapy.extensions.logstats.LogStats',

 'scrapy.extensions.telnet.TelnetConsole',

 'scrapy.extensions.corestats.CoreStats']

2016-11-02 16:28:11 [scrapy] INFO: Enabled downloader middlewares:

['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',

 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',

 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',

 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',

 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',

 'scrapy.downloadermiddlewares.retry.RetryMiddleware',

 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',

 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',

 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',

 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',

 'scrapy.downloadermiddlewares.chunked.ChunkedTransferMiddleware',

 'scrapy.downloadermiddlewares.stats.DownloaderStats']

2016-11-02 16:28:11 [scrapy] INFO: Enabled spider middlewares:

['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',

 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',

 'scrapy.spidermiddlewares.referer.RefererMiddleware',

 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',

 'scrapy.spidermiddlewares.depth.DepthMiddleware']

2016-11-02 16:28:11 [scrapy] INFO: Enabled item pipelines:

[]

2016-11-02 16:28:11 [scrapy] INFO: Spider opened

2016-11-02 16:28:11 [scrapy] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)

2016-11-02 16:28:11 [scrapy] DEBUG: Telnet console listening on 127.0.0.1:6023

2016-11-02 16:28:11 [scrapy] DEBUG: Crawled (404) <GET http://www.btba.com.cn/robots.txt> (referer: None)   //这个是爬取的第一个网页，404没有找到

2016-11-02 16:28:11 [scrapy] DEBUG: Crawled (200) <GET http://www.btba.com.cn/> (referer: None)    //这是爬取的第二个网页，也是我们设置的start_urls，200成功获取

2016-11-02 16:28:12 [scrapy] INFO: Closing spider (finished)

2016-11-02 16:28:12 [scrapy] INFO: Dumping Scrapy stats:

{'downloader/request_bytes': 436,

 'downloader/request_count': 2,

 'downloader/request_method_count/GET': 2,

 'downloader/response_bytes': 54845,

 'downloader/response_count': 2,

 'downloader/response_status_count/200': 1,

 'downloader/response_status_count/404': 1,

 'finish_reason': 'finished',

 'finish_time': datetime.datetime(2016, 11, 2, 8, 28, 12, 91071),  //爬取器完成运行时间

 'log_count/DEBUG': 3,

 'log_count/INFO': 7,

 'response_received_count': 2,

 'scheduler/dequeued': 1,

 'scheduler/dequeued/memory': 1,

 'scheduler/enqueued': 1,

 'scheduler/enqueued/memory': 1,

 'start_time': datetime.datetime(2016, 11, 2, 8, 28, 11, 714156)}  //爬取器开始运行时间

2016-11-02 16:28:12 [scrapy] INFO: Spider closed (finished)

$

6、验证爬取结果

打开spiders目录，我们可以看到scrapy_btba文件，打开一看就是btba的首页html代码。

7、获取源码

所有文章源码可以通过oschina的git进行获取，地址为：

https://git.oschina.net/DoctorS/scrapy2_demo.git

本篇博文源码git的commit id：7ab076c05bc95e2e0a0230680b8ccdc86e6bc748

转载于:https://my.oschina.net/namespace/blog/780179