本文通过一个简单的项目实现Scrapy采集流程。希望通过该项目对Scrapy的使用方法和框架能够有帮助。
1. 工作流程
重点流程如下：
- 创建一个Scrapy项目。
- 创建一个爬虫来抓取网站和处理数据。
- 通过命令行将采集的内容进行分析。
- 将分析的数据保存到MongoDB数据库。
2. 准备环境
安装好Scrapy框架，MongoDB的和PyMongo库。
3. 爬虫项目实现
（1）创建一个Scrapy项目，文件项目可以直接用
scrapy
命令生成，命令如下所示：
scrapy startproject教程复制代码
（2）爬虫是自己定义的类，Scrapy通过该类从网页里采集内容分析数据的结果。不过这个类必须继承Scrapy提供的蜘蛛类
scrapy.Spider
，还要定义爬虫的名称和起始请求，以及怎样处理爬取后的数据。
也可以使用命令行创建一个蜘蛛比如要生成行情这个蜘蛛，可以执行如下命令：
scrapy genspider 复制代码
进入刚才创建的教程文件夹，执行然后
genspider
命令。第一个参数是爬虫的名称，第二个参数是网站域名。执行完毕之后，蜘蛛文件夹中多了一个quotes.py，它就是刚刚创建的蜘蛛，内容如下所示
1import scrapy 2class QuotesSpider （scrapy.Spider）： 3 name = “quotes” 4 allowed_domains = [ “quotes.toscrape.com” ] 5 start_urls = [ 'http://quotes.toscrape.com/' ] 6 def parse （self，response）： 7 通过复制代码
（3）采集过程中，目标网站会限制爬虫的请求访问频率，必须使用爬虫代理
在项目中新建middlewares.py文件(./项目名/middlewares.py)
1#! -*- encoding:utf-8 -*- 2 import base64 3 import sys 4 import random 5 PY3 = sys.version_info[0] >= 3 6 def base64ify(bytes_or_str): 7 if PY3 and isinstance(bytes_or_str, str): 8 input_bytes = bytes_or_str.encode('utf8') 9 else: 10 input_bytes = bytes_or_str 11 output_bytes = base64.urlsafe_b64encode(input_bytes) 12 if PY3: 13 return output_bytes.decode('ascii') 14 else: 15 return output_bytes 16 class ProxyMiddleware(object): 17 def process_request(self, request, spider): 18 # 代理服务器(产品官网 www.16yun.cn) 19 proxyHost = "t.16yun.cn" 20 proxyPort = "31111" 21 # 代理验证信息 22 proxyUser = "username" 23 proxyPass = "password" 24 request.meta['proxy'] = "http://{0}:{1}".format(proxyHost,proxyPort) 25 # 添加验证头 26 encoded_user_pass = base64ify(proxyUser + ":" + proxyPass) 27 request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass 28 # 设置IP切换头(根据需求) 29 tunnel = random.randint(1,10000) 30 request.headers['Proxy-Tunnel'] = str(tunnel)
修改项目配置文件 (./项目名/settings.py)
1DOWNLOADER_MIDDLEWARES = { 2 '项目名.middlewares.ProxyMiddleware': 100, 3 }