【Python学习系列五】Python网络爬虫框架Scrapy环境搭建

1、网络爬虫库Scrapy
网络爬虫，是在网上进行数据抓取的程序，使用它能够抓取特定网页的HTML数据。Scrapy是一个使用Python编写的，轻量级的，简单轻巧，并且使用起来非常的方便。Scrapy使用了Twisted异步网络库来处理网络通讯。整体架构大致如下：


Scrapy主要包括了以下组件：
1）引擎，用来处理整个系统的数据流处理，触发事务。
2）调度器，用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。
3）下载器，用于下载网页内容，并将网页内容返回给蜘蛛。
4）蜘蛛，蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。
5）项目管道，负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
6）下载器中间件，位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
7）蜘蛛中间件，介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
8）调度中间件，介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。


官方网站：http://scrapy.org/
开源地址：https://github.com/scrapy/scrapy


2、Scrapy安装

   1)环境是 Anaconda ，conda package包可查看https://conda-forge.github.io/

      scrapy可通过https://anaconda.org/conda-forge/scrapy下载安装包。

     也可直接>conda install -c conda-forge scrapy安装

    参考：https://doc.scrapy.org/en/latest/intro/install.html

   2）也可通过下载Scrapy-1.4.0-py2.py3-none-any.whl，然后pip安装>pip install Scrapy-1.4.0-py2.py3-none-any.whl；

         有依赖库Twisted-17.1.0-cp27-cp27m-win_amd64.whl；

         也可直接>pip install Scrapy安装（注意Scrapy大小写敏感）

   安装指南：http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/install.html#scrapy
 

3、爬虫代码示例：

import scrapy

class BlogSpider(scrapy.Spider):
    name = 'blogspider'
    start_urls = ['https://blog.scrapinghub.com']

    def parse(self, response):
        for title in response.css('h2.entry-title'):
            yield {'title': title.css('a ::text').extract_first()}

        for next_page in response.css('div.prev-post > a'):
            yield response.follow(next_page, self.parse

入门教程：http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html