Scrapy 爬虫完整案例—从小白到大神（银行网点信息为例）

大家好，又见面了，我是你们的朋友全栈君。

采用selenium界面抓取信息，需要渲染界面，并且也是单线程操作，效率极低，一晚上只爬去了一个工行的数据。

突然想到了分布式爬虫

1. 安装 Scrapy

pip版本过于老旧不能使用，需要升级pip版本，输入python -m pip install --upgrade pip，升级成功

安装scrapy命令：pip install Scrapy

因为scrapy框架基于Twisted,所以先要下载其whl包安装

地址：http://www.lfd.uci.edu/~gohlke/pythonlibs/

搜索  twisted     根据自己的版本下载

进行安装  xxxxxxxx是包的名字 进入whl包所在的路径，执行下面命令

pip install xxxxxxx.whl

1. scrapy的使用

首先，在我们进行第一步——Scrapy的安装时，无论通过什么方式安装，都要进行验证，在验证时输入Scrapy命令后，会得到系统给出的类似于文档的提示，其中包括了Scrapy的可执行命令

（1）首先创建已给爬虫文件夹，cmd中打开这个文件夹的目录

（2）在终端输入指令：scrapy startproject Bank 进行项目创建。scrapy startproject是创建项目的命令，后面跟的是项目名称。该指令执行后的结果如下图所示

reptile文件夹中，被创建几个文件夹和py文件，这就表示一个项目初步创建成功。

（3） cd spiders ， 进入spiders文件夹内

（4）在终端中输入scrapy genspider bankSpider icvio.cn，这个命令是指定要爬取的网站的域名，命令格式为：scrapy genspider taobaoSpider + 目标网站的域名。执行效果如图所示：

至此，一个初步得scrapy项目就已经创建成功，下面我们了解一下这个框架的每个部分的功能：

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

四. 开始前的准备工作。

    在第二部分，我们初步创建了一步Scrapy项目，在自动创建的文件夹中，有着如图所示的几个文件：

它们的作用分别是：

items.py:定义爬虫程序的数据模型

middlewares.py:定义数据模型中的中间件

pipelines.py:管道文件,负责对爬虫返回数据的处理

settings.py:爬虫程序设置,主要是一些优先级设置,优先级越高,值越小

scrapy.cfg:内容为scrapy的基础配置

值得注意的是，在学习阶段，我们要明白几点设置文件setting中的几处配置代码，它们影响着我们的爬虫的效率：

(一)修改ROBOTSTXT_OBEY

ROBOTSTXT_OBEY = True
这行代码意思是：是否遵守爬虫协议，学习阶段我们要改为False

因为默认为 True，就是要遵守 robots.txt 的规则， robots.txt 是遵循 Robot协议 的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页不希望你进行爬取收录。在 Scrapy 启动后，会在第一时间访问网站的 robots.txt 文件，然后决定该网站的爬取范围。查看 robots.txt 可以直接网址后接 robots.txt 即可。
 
SPIDER_MIDDLEWARES = {

‘Bank.middlewares.WxzSpiderMiddleware’: 800,

}

(二)、在 scrapy.cfg 同级目录下创建 pycharm 调试脚本 run.py，内容如下：

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

from scrapy import cmdline

cmdline.execute(“scrapy crawl bankspider”.split())

（三）settings.py 里添加 USER_AGENT。

USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36"

(四)不需要模拟登陆，settings.py 里的 COOKIES_ENABLED ( Cookies中间件) 设置禁用状态。

COOKIES_ENABLED = False

第五步: 定义 Item，编写 items.py 文件。

class BankItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 银行名称
    yhmc = scrapy.Field()
    # 联行号
    lhh = scrapy.Field()
    # 电话
    dh = scrapy.Field()
    # 地址
    dz = scrapy.Field()
    # 省份
    sf = scrapy.Field()

第六步: 查看HTML源码，使用XPath helper爬虫插件一起查看需要爬取的字段的 xpath 路径。

编写bankSpider.py文件