Scrapy
Scrapy 是一个位了爬取网站数据，提取数据结构性数据而编写的应用框架，少量代码，就能快速爬取，使用了Twisted 异步网络框架，加快我们下载速度!
工作流程
制作 Scrapy 爬虫 一共需要4步：
新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
明确目标 （编写items.py）：明确你想要抓取的目标
制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
存储内容 （pipelines.py）：设计管道存储爬取内容
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器).
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）
Scrapy的运作流程
代码写好，程序开始运行...
1 引擎：Hi！Spider, 你要处理哪一个网站？
2 Spider：老大要我处理xxxx.com。
3 引擎：你把第一个需要处理的URL给我吧。
4 Spider：给你，第一个URL是xxxxxxx.com。
5 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
6 调度器：好的，正在处理你等一下。
7 引擎：Hi！调度器，把你处理好的request请求给我。
8 调度器：给你，这是我处理好的request
9 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
10 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你 记录一下，我们待会儿再下载）
11 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
12 Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13 引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14 管道调度器：好的，现在就做！
注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）
入门实例爬取（腾讯招聘）
准备环境：
pip install scrapy
1)创建项目
scrapy startproject myspider
2)创建仪个爬虫
scrapy genspider itcast(爬虫名字) "itcast.cn"(限制网站的范围)
3)启动爬虫
scrapy crawl itcast
代码：
1 ###设置item 字段### 2 import scrapy 3 4 class MyspiderItem(scrapy.Item): 5 title = scrapy.Field() 6 position = scrapy.Field() 7 time = scrapy.Field() 8 address = scrapy.Field() 9 10 ###设置spiders 目录下的爬虫脚本，可以设置多个## 11 vim spiders/itcast.py 12 # -*- coding: utf-8 - 13 import scrapy 14 import sys 15 #之前设置好的items 导入进来 16 from myspider.items import MyspiderItem 17 18 class ItcastSpider(scrapy.Spider): 19 #spider.name 可以用于判断 20 name = ‘itcast‘ 21 #限制范围 22 allowed_domains = [‘tencent.com‘] 23 start_urls = [‘https://hr.tencent.com/position.php?lid=2218&tid=87‘] 24 #parse方法不能修改，必须有 25 def parse(self, response): 26 tb_list = response.xpath("//table[@class=‘tablelist‘]/tr")[1:-1] 27 for tr in tb_list: 28 #字典对象 29 item = MyspiderItem() 30 item[‘title‘] = tr.xpath("./td[1]/a/text()").extract_first() 31 item[‘position‘] = tr.xpath("./td[2]/text()").extract_first() 32 item[‘address‘] = tr.xpath("./td[4]/text()").extract_first() 33 item[‘time‘] = tr.xpath("./td[5]/text()").extract_first() 34 yield item 35 #翻页 36 next_url = response.xpath("//a[@id=‘next‘]/@href").extract_first() 37 print(next_url) 38 if next_url != "javascript:;": 39 next_url = "https://hr.tencent.com/" +next_url 40 print(next_url) 41 #下一页请求，scrapy封装好的request请求 42 yield scrapy.Request( 43 next_url, 44 callback=self.parse 45 ) 46 print("="*30) 47 48 ##设置存储pipeline## 49 vim pipelines.py 50 # -*- coding: utf-8 -*- 51 import json 52 class MyspiderPipeline(object): 53 def process_item(self,item,spider): 54 #有判断，以后可以写多个piiline,来存储 55 if spider.name == "itcast": 56 with open(‘temp.txt‘,‘a‘) as f: 57 #item 是一个对象，要转成字典！ 58 json.dump(dict(item),f,ensure_ascii=False,indent=2) 59 60 61 ##设置setting 配置## 62 开启pipelines,可以设置多个 63 64 ITEM_PIPELINES = { 65 ‘myspider.pipelines.MyspiderPipeline‘: 300, 66 ‘myspider.pipelines.XXXXPipeline‘: 300, 67 } 68 #不显示日志 69 LOG_LEVEL = "WARNING" 70 71 ##浏览器头 72 USER_AGENT = ‘Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (KHTML, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1‘
原文地址：https://www.cnblogs.com/sunjingjingking/p/10171135.html