一、Scrapy框架的使用步驟：

• 1. 創(chuàng)建項(xiàng)目：
     scrapy startproject project_name
• 2. cd進(jìn)項(xiàng)目目錄：
     cd project_name
• 3. 創(chuàng)建項(xiàng)目應(yīng)用程序：
     scrapy genspider app_name start_url
• 4. 編寫(xiě)爬蟲(chóng)文件代碼、settings配置：
     codes........
• 5. 執(zhí)行爬蟲(chóng)程序：
     scrapy crawl app_name

二、Scrapy初始Url的兩種寫(xiě)法：

• 一種是常量start_urls，并且需要定義一個(gè)方法parse（）

import scrapy
class simpleUrl(scrapy.Spider):
    name = "simpleUrl"
    start_urls = [  #另外一種寫(xiě)法，無(wú)需定義start_requests方法
        'http://lab.scrapyd.cn/page/1/',
        'http://lab.scrapyd.cn/page/2/',
    ]
    # 此方法名必須為：parse
    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'mingyan-%s.html' % page
        with open(filename, 'wb') as f:
          f.write(response.body)
        self.log('保存文件: %s' % filename)

• 另一種是直接定義一個(gè)方法：star_requests()

import scrapy
class simpleUrl(scrapy.Spider):
     name = "simpleUrl"

     def start_requests(self):
         urls = [ 
            #爬取的鏈接由此方法通過(guò)下面鏈接爬取頁(yè)面
            'http://lab.scrapyd.cn/page/1/',
             'http://lab.scrapyd.cn/page/2/',
         ]
         for url in urls:
             yield scrapy.Request(url=url, callback=self.parse)

三、Scrapy調(diào)試工具之scrapy shell使用方法：

調(diào)試就是驗(yàn)證scrapy到底有木有提取到數(shù)據(jù)的工具，如果木有它你根本不知道你寫(xiě)的規(guī)則到底有木有提取到數(shù)據(jù)，所以這個(gè)工具是個(gè)剛需！其實(shí)也很簡(jiǎn)單，就是在命令行輸入下面一行代碼而已：
scrapy shell start_url：注意：執(zhí)行此命令時(shí)需先cd到項(xiàng)目目錄下

屏幕快照 2018-11-19 下午8.03.38.png

比如我們想提取 http://lab.scrapyd.cn 的 title，我們可以在[s]: 后面輸入：response.css('title') ，然后回車(chē)， 立馬就得到如下結(jié)果：

response

似不似很直觀的驗(yàn)證了你提取的數(shù)據(jù)對(duì)不對(duì)？如果正確了，我們?cè)侔焉厦娴拇a放到我們蜘蛛里面，那這樣就會(huì)正確的得到你想要的數(shù)據(jù)，而不會(huì)出現(xiàn)意外了，這就是scrapy調(diào)試工具的應(yīng)用！

四、Scrapy 爬取下一頁(yè)，scrapy整站爬取

接下來(lái)，還是繼續(xù)爬?。?a target="_blank" rel="nofollow">http://lab.scrapyd.cn （鏈接獨(dú)白：為神馬受傷的總是我？）！我們既然要爬取下一頁(yè)，那我們首先要分析鏈接格式，找到下一頁(yè)的鏈接，那爬取就簡(jiǎn)單了

image.png

主要代碼實(shí)現(xiàn)

next_page = response.css('li.next a::attr(href)').extract_first() 
    if next_page is not None:
        next_page = response.urljoin(next_page)
        yield scrapy.Request(next_page, callback=self.parse)

五、Scrapy arguments：指定蜘蛛?yún)?shù)爬取

Using spider arguments，這個(gè)東西對(duì)于許多朋友來(lái)說(shuō)，簡(jiǎn)直是雪中送炭，因?yàn)橛辛藚?shù)配置爬取，就能加大我們爬取的靈活性，而不必重復(fù)修改、編寫(xiě)爬蟲(chóng)代碼了。
　　比如我們要爬取http://lab.scrapyd.cn里面的數(shù)據(jù)，原先我們需要全站的，過(guò)了幾天需求變了，我們只需要：“人生”這個(gè)標(biāo)簽下面的內(nèi)容，那我們又需要更改爬蟲(chóng)代碼，又過(guò)了幾天，需求又變，我們又需要標(biāo)簽：“勵(lì)志”下面的內(nèi)容，那我們又得改爬蟲(chóng)……
　　如果爬蟲(chóng)量少還好，那如果有十個(gè)、一百個(gè)……那一天到晚我們只能不斷的修改、不斷的伺候這些爬蟲(chóng)了！
　　那怎樣才能讓我們的爬蟲(chóng)更靈活呢？scrapy給我提供了可傳參的爬蟲(chóng)，有了這么個(gè)功能，那人生就更加美麗了，上面不斷變化的爬蟲(chóng)我們就可以這樣來(lái)玩，首先按scrapy 參數(shù)格式定義好參數(shù)，如下：

import scrapy


class ArgsspiderSpider(scrapy.Spider):
    name = "argsSpider"

    def start_requests(self):
        url = 'http://lab.scrapyd.cn/'
        # 獲取tag值，也就是爬取時(shí)傳過(guò)來(lái)的參數(shù)
        tag = getattr(self, 'tag', None)
        # 判斷是否存在tag，若存在，重新構(gòu)造url
        if tag is not None:
            # 構(gòu)造url若tag=愛(ài)情，url= "http://lab.scrapyd.cn/tag/愛(ài)情"
            url = url + 'tag/' + tag
            # 發(fā)送請(qǐng)求爬取參數(shù)內(nèi)容
            yield scrapy.Request(url, self.parse)

    def parse(self, response):
        mingyan = response.css('div.quote')
        
        for v in mingyan:
            text = v.css('.text::text').extract_first()
            tags = v.css('.tags .tag::text').extract()
            tags = ','.join(tags)
            fileName = '%s-語(yǔ)錄.txt' % tags
            with open(fileName, "a+") as f:
                f.write(text)
                f.write('\n')
                f.write('標(biāo)簽：' + tags)
                f.write('\n-------\n')
                f.close()

        next_page = response.css('li.next a::attr(href)').extract_first()
        
        if next_page is not None:
            next_page = response.urljoin(next_page)
            yield scrapy.Request(next_page, callback=self.parse)

代碼寫(xiě)好之后，那我們要如何傳參呢？如何運(yùn)行呢？
比如我們要爬取標(biāo)簽：愛(ài)情，我們可以這樣：
scrapy crawl argsSpider -a tag=愛(ài)情
要爬取標(biāo)簽：勵(lì)志，我們可以這樣:
scrapy crawl argsSpider -a tag=勵(lì)志
參數(shù)：tag=愛(ài)情、tag=勵(lì)志就可以在爬取的時(shí)候傳進(jìn)去我們蜘蛛里面，我們就可以不修改蜘蛛，愉快的爬取了！

六、scrapy命令明細(xì)：

1. Scrapy框架的命令也就十四五個(gè),最常用的命令也就三個(gè)，即：
　　scrapy startproject（創(chuàng)建項(xiàng)目）、
　　scrapy crawl XX（運(yùn)行XX蜘蛛）、
　　scrapy shell http://www.scrapyd.cn（調(diào)試網(wǎng)址為http://www.scrapyd.cn的網(wǎng)站）

2. scrapy命令分為：全局命令、項(xiàng)目命令；
　　很好理解，全局命令就是在哪都能用；項(xiàng)目命令就是只能依托你的項(xiàng)目

全局命令

• startproject：
  創(chuàng)建項(xiàng)目
  scrapy startproject（創(chuàng)建項(xiàng)目）
• genspider:
  這個(gè)命令的話是根據(jù)爬蟲(chóng)模板創(chuàng)建爬蟲(chóng)py文件的命令
  scrapy genspider spider_app_name start_url
• settings：
  看字面意思，相信聰明的你已經(jīng)知道它是干嘛的了！其實(shí)它就是方便你查看到你對(duì)你的scray設(shè)置了些神馬參數(shù)！
  比如我們想得到爬蟲(chóng)項(xiàng)目的下載延遲，我們可以使用：
  scrapy settings --get DOWNLOAD_DELAY
  比如我們想得到爬蟲(chóng)項(xiàng)目的名字：
  scrapy settings --get BOT_NAME
• runspider：
  這個(gè)命令有意思，之前我們運(yùn)行爬蟲(chóng)項(xiàng)目除了使用：scrapy crawl XX之外，我們還能用：runspider，前者是基于項(xiàng)目運(yùn)行，后者是基于文件運(yùn)行，也就是說(shuō)你按照scrapy的爬蟲(chóng)項(xiàng)目格式編寫(xiě)了一個(gè)py文件，那你不想創(chuàng)建項(xiàng)目，那你就可以使用runspider，比如你編寫(xiě)了一個(gè)：scrapyd_cn.py的爬蟲(chóng)文件，你要直接運(yùn)行就是：
  scrapy runspider scrapy_cn.py
• shell:
  這個(gè)命令比較重要，主要是調(diào)試用
  scrapy shell [http://www.scrapyd.cn](http://www.scrapyd.cn/)
• fetch:
  這個(gè)命令其實(shí)也可以歸結(jié)為調(diào)試命令的范疇！它的功效就是模擬我們的蜘蛛下載頁(yè)面，也就是說(shuō)用這個(gè)命令下載的頁(yè)面就是我們蜘蛛運(yùn)行時(shí)下載的頁(yè)面，這樣的好處就是能準(zhǔn)確診斷出，我們的到的html結(jié)構(gòu)到底是不是我們所看到的，然后能及時(shí)調(diào)整我們編寫(xiě)爬蟲(chóng)的策略！
  scrapy fetch [http://www.scrapyd.cn](http://www.scrapyd.cn/)
• version:
  查看scrapy版本
  scrapy version

項(xiàng)目命令

• crawl：
  運(yùn)行爬蟲(chóng)文件
  scrapy crawl my_project
• check：
  檢查爬蟲(chóng)文件
  scrapy check my_project
• list：
  顯示有多少個(gè)爬蟲(chóng)文件
  scrapy list
• edit:
  編輯文件（類似于linux系統(tǒng)下的vim）
  scrapy edit my_project
• parse
  常用參數(shù)預(yù)覽
  scrapy parse my_project
• bench
  項(xiàng)目詳細(xì)運(yùn)行情況
  scrapy bench my_project

參考Scrapy中文網(wǎng)