# mySpider

**Repository Path**: violetff/mySpider

## Basic Information

- **Project Name**: mySpider
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-06-01
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## Scrapy 是用 Python 实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。

#### 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）


## 制作 Scrapy 爬虫 一共需要4步：
#### 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
#### 明确目标 （编写items.py）：明确你想要抓取的目标
#### 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
#### 存储内容 （pipelines.py）：设计管道存储爬取内容


## 安装 Scrapy 框架
#### 选择虚拟环境，下载包
sudo pip install scrapy

### 一. 新建项目(scrapy startproject)
scrapy startproject mySpider

#### scrapy.cfg: 项目的配置文件。
#### mySpider/: 项目的Python模块，将会从这里引用代码。
#### mySpider/items.py: 项目的目标文件。
#### mySpider/pipelines.py: 项目的管道文件。
#### mySpider/settings.py: 项目的设置文件。
#### mySpider/spiders/: 存储爬虫代码目录。


### 二、明确目标(mySpider/items.py)
#### 打开 mySpider 目录下的 items.py。
#### Item 定义结构化数据字段，用来保存爬取到的数据，有点像 Python 中的 dict，但是提供了一些额外的保护减少错误。
#### 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field 的类属性来定义一个 Item（可以理解成类似于 ORM 的映射关系）。


### 三、制作爬虫 （spiders/itcastSpider.py）
#### 1. 爬数据 在当前目录下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：
scrapy genspider itcast "itcast.cn"

#### 2. 打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    # start_urls = ['http://itcast.cn/']
    start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

    def parse(self, response):
        filename = "teacher.html"
        open(filename, 'wb').write(response.body)

#### 3.然后运行一下看看，在mySpider目录下执行：
    scrapy crawl itcast