爬虫-----爬虫的爬，爬虫的虫

说实话，爬虫对于我来说还是很神秘的，对爬虫的学习动力，可能仅仅是因为能够快速的在校花网上爬取一些妹子图片，或者是完成自己的作业任务，还有可能是因为或许以后可以通过爬虫为自己爬来一碗口粮。。。。哎，不想了！管他呢

百度百科定义：

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

自己定义：一只有饥肠辘辘的蜘蛛在一张蜘蛛网上瞎转悠找吃的，找吃的同时找和其他蜘蛛网连接的蜘蛛丝，，如果找到相连的蜘蛛丝的话，就派手下的小弟去这个网上找吃的，就这样一层一层的找，如果小弟有找到的就拿回来

Scrapy

既然爬虫早就出现了，那肯定就有一些好心前辈们的呕心沥血总结，So，那我就先拿来用用。。哈哈

Scrapy，Python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。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试

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

爬虫-----爬虫的爬，爬虫的虫

Scrapy主要包括了以下组件：
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)

调度器(Scheduler)
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. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

调度中间件(Scheduler Middewares)
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。

Scrapy运行流程大概如下：

　　1.引擎从调度器中取出一个链接(URL)用于接下来的抓取
　　2.引擎把URL封装成一个请求(Request)传给下载器
　　3.下载器把资源下载下来，并封装成应答包(Response)
　　4.爬虫解析Response
　　5.解析出实体（Item）,则交给实体管道进行进一步的处理
　　6.解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、基本使用

1、创建项目

运行命令:

scrapy startproject your_project_name

这个命令会在当前目录下创建一个新目录，它的结构如下：

project_name:
│
│  scrapy.cfg
│
└─project_name
    │  items.py
    │  pipelines.py
    │  settings.py
    │  __init__.py
    │
    └─spiders
            __init__.py

文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

#!/usr/bin/env python

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

import scrapy

 

class XiaoHuarSpider(scrapy.spiders.Spider):

    name = "xiaohuar"

    allowed_domains = ["xiaohuar.com"]

    start_urls = [

        "http://www.xiaohuar.com/hua/",

    ]

 

    def parse(self, response):

        # print(response, type(response))

        # from scrapy.http.response.html import HtmlResponse

        # print(response.body_as_unicode())

 

        current_url = response.url

        body = response.body

        unicode_body = response.body_as_unicode()

xiaohuar_spider.py