在上一节中，我们了解了 Scrapy 是一个爬虫框架，并书写了一个 demo 大致认识了爬取执行过程。但是，在实际开发过程中，不可能是在此 demo 基础上在写逻辑代码的，Scrapy 的强大之处，它为我们开发人员提供一个应用框架，让开发者专心于处理数据。

创建项目

Scrapy 创建项目和 Django 和创建项目命令是一致的。在一个心仪的目录下执行命令创建项目。

1
scrapy startproject jd

这样，就会创建一个名为 jd 的目录，并自动生成一些文件：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
jd/
    scrapy.cfg            # 配置文件。注意：此文件中不要出现中文字符。

    jd/                   # 工程目录
        __init__.py

        items.py          # 目标文件，定义结构化数据字段，用来保存爬取到的数据。

        middlewares.py    # 中间件。

        pipelines.py      # 管道文件

        settings.py       # 设置文件

        spiders/          # 此文件夹存放爬虫文件
            __init__.py

第一个爬虫

已经做足了准备工作，现在可以大展身手了，开始书写我们的第一个爬虫。在第一节中我们可以看出来，其实爬虫在 Scrapy 中就是一个类，Scrapy 可以调用这个类来爬取数据。书写一个爬虫下载网页（还是使用官方提供的演示网站）的数据，将代码保存在 jd/spiders 的 quotes_spider.py（文件名随意）文件中。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
# 导入 scrapy 模块
import scrapy


# 定义一个爬虫
class QuotesSpider(scrapy.Spider):
    # 爬虫的名称
    name = "quotes"

    # 请求信息
    def start_requests(self):
        # 站点链接
        urls = [
            'https://quotes.toscrape.com/page/1/',
            'https://quotes.toscrape.com/page/2/',
        ]
        # 遍历站点链接并请求，回调 parse 函数
        for url in urls:
            # 返回生成器
            yield scrapy.Request(url=url, callback=self.parse)

    # parse 函数，提取并处理响应数据
    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = f'quotes-{page}.html'
        # 下载站点界面
        with open(filename, 'wb') as f:
            f.write(response.body)
        # 记录日志
        self.log(f'Saved file {filename}')

其中的参数和函数需要着重强调一下：

  • name：爬虫的名称。在一个项目中它具有唯一性，不能定义相同的 name 在一个项目中或者不同的爬虫。

  • start_requests()：在 Scrapy 框架中此函数必须返回可迭代的请求对象，这个请求对象可以是一系列的请求或者是一个生成器函数。这是爬虫的入口。你可能会发现这与第一小节的写法不一致，此例子是完整写法，上一小节是简写（可以理解为语法糖）。

  • parse()：此函数用来处理请求的响应数据。

如何执行爬虫

已经写好了一个叫做 quotes 的爬虫，那如何让它为我们干活呢？其实很简单，只需在项目更目录下执行命令：

1
scrapy crawl quotes

此命令会执行我们命名为 quotes 的爬虫，会给演示站点 https://quotes.toscrape.com 发送请求，控制台会输出：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
2022-09-16 21:33:19 [scrapy.utils.log] INFO: Scrapy 2.6.2 started (bot: jd)
2022-09-16 21:33:19 [scrapy.utils.log] INFO: Versions: lxml 4.9.1.0, libxml2 2.9.12, cssselect 1.1.0, parsel 1.6.0, w3lib 2.0.1, Twisted 22.8.0, Python 3.9.12 (tags/v3.9.12:b28265d, Mar 23 2022, 23:52:46) [MSC v.1929 64 bit (AMD64)], pyOpenSSL 22.0.0 (OpenSSL 3.0.5 5 Jul 2022), cryptography 38.0.1, Platform Windows-10-10.0.25201-SP0
2022-09-16 21:33:19 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'jd',
 'NEWSPIDER_MODULE': 'jd.spiders',
 'ROBOTSTXT_OBEY': True,
 'SPIDER_MODULES': ['jd.spiders']}
2022-09-16 21:33:19 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.selectreactor.SelectReactor
2022-09-16 21:33:19 [scrapy.extensions.telnet] INFO: Telnet Password: 8128002efcc685b1
2022-09-16 21:33:19 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.logstats.LogStats']
2022-09-16 21:33:20 [scrapy.middleware] 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.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2022-09-16 21:33:20 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2022-09-16 21:33:20 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2022-09-16 21:33:20 [scrapy.core.engine] INFO: Spider opened
2022-09-16 21:33:20 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2022-09-16 21:33:20 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2022-09-16 21:33:21 [scrapy.core.engine] DEBUG: Crawled (404) <GET https://quotes.toscrape.com/robots.txt> (referer: None)
2022-09-16 21:33:21 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://quotes.toscrape.com/page/1/> (referer: None)
2022-09-16 21:33:22 [quotes] DEBUG: Saved file quotes-1.html
2022-09-16 21:33:23 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://quotes.toscrape.com/page/2/> (referer: None)
2022-09-16 21:33:23 [quotes] DEBUG: Saved file quotes-2.html
2022-09-16 21:33:23 [scrapy.core.engine] INFO: Closing spider (finished)
2022-09-16 21:33:23 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 681,
 'downloader/request_count': 3,
 'downloader/request_method_count/GET': 3,
 'downloader/response_bytes': 25579,
 'downloader/response_count': 3,
 'downloader/response_status_count/200': 2,
 'downloader/response_status_count/404': 1,
 'elapsed_time_seconds': 2.686792,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2022, 9, 16, 13, 33, 23, 160603),
 'log_count/DEBUG': 6,
 'log_count/INFO': 10,
 'response_received_count': 3,
 'robotstxt/request_count': 1,
 'robotstxt/response_count': 1,
 'robotstxt/response_status_count/404': 1,
 'scheduler/dequeued': 2,
 'scheduler/dequeued/memory': 2,
 'scheduler/enqueued': 2,
 'scheduler/enqueued/memory': 2,
 'start_time': datetime.datetime(2022, 9, 16, 13, 33, 20, 473811)}
2022-09-16 21:33:23 [scrapy.core.engine] INFO: Spider closed (finished)

第一个爬虫运行成功。可以检查根目录下是否多出两个新文件：quotes-1.html 和 quotes-2.html，文件内容就是我们爬取的数据。

执行过程

Scrapy 框架到底做了什么，就可以爬取数据，这一过程是什么样子的呢？Scrapy 会调度 start_requests() 函数返回的 Request 对象，并将 Response 作为参数传给回调函数 parse()。这样一来，请求 —> 响应 —> 爬 —> 取一气呵成。

start_requests()

这个函数还是很灵活的，前面我我们说过它的简写形式，直接就是一个请求站点的列表。定义一个参数 start_urls 站点域名列表，这样就实现了 Request 的初始化。

1
2
3
4
start_urls = [
        'https://quotes.toscrape.com/page/1/',
        'https://quotes.toscrape.com/page/2/',
]

总结

通过书写第一个爬虫，了解了 Scrapy 大致工作流程，并认识了其中重要的参数和函数。