引言：
经过前面两节的学习，我们学会了使用urllib去模拟请求，使用
Beautiful Soup和正则表达式来处理网页以获取我们需要的数据。
对于经常重复用到的代码，我们都会单独抽取成自己的模块，
比如代理池模块：自动爬代理，校验代理ip是否可用，存取ip，
又或者文件下载等，手撕爬虫代码是挺爽的蛤！不过今天并不用
手撕爬虫，而是学习一个很出名的爬虫框架——Scrapy(西瓜皮)。
1.官方文档与简介
官方文档：docs.scrapy.org/en/latest/
简介：
Scrapy，谐音西瓜皮，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吸引人的地方在于它是一个框架，任何人都可以根据需求
方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、
sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
2.Scrapy安装
网上的安装教程都很繁琐，偶然间发现一种傻瓜式的，直接安装：Anaconda
选择对应的windows版本，然后傻瓜式下一步就可以了，安装完成后，
点击开始找到并打开：
键入下述命令进行安装
conda install scrapy
安装完成后，后面想执行Scrapy相关命令都可以在这里执行：
系统与Python版本：Ubuntu 14.04 Python 3.4
sudo pip3 install Scrapy
中途出现一个错误：fatal error: 'Python.h' file not found
需要另外安装python-dev，该库中包含Python的头文件与静态库包，
要根据自己的Python版本进行安装：
sudo apt-get install python3.4-dev
系统与Python版本：OS 10.13.2 Python 3.6
pip install Scrapy
3.Scrapy框架的大概了解
Scrapy的架构图
各个模块的介绍：
-
Scrapy Engine(Scrapy引擎)
核心，负责控制数据流在系统中所有的组件中流动，
并在相应的动作发生时触发事件。
-
Scheduler(调度器)
从引擎接受 request 并让其入队，以便之后引擎请求
它们时提供给引擎。
-
Downloader(下载器)
获取页面数据并提供给引擎，而后提供给Spider。
-
Spiders(蜘蛛...)
编写用于分析由下载器返回的response，并提取出item
和额外跟进的URL的类。
-
Item Pipeline(项目管道)
负责处理处理被Spider提取出来的item。常见的处理有：
清理、验证和持久化。
-
Download Middlewares(下载器中间件)
引擎与下载器间的特定钩子，处理下载器传递给引擎的Response。
-
Spider Middlewares(Spider中间件)
引擎与Spider间的特定钩子，处理Spider输入(下载器的Response)和
输出(发送给items给Item Pipeline，以及发送Request给调度器)
执行流程
- Step 1：
引擎打开一个网站，找到处理该网站的Spider并向该Spider
请求第一个要爬取的URL；
- Step 2：
引擎从Spider中获取到第一个要爬取的URL，并在Scheduler
以Request调度；
- Step 3：**
引擎向Scheduler**请求下一个要爬取的URL；
- Step 4：
Scheduler返回下一个要爬取的URL给引擎，引擎将URL通过
下载中间件(请求Request方向)转发给Downloader；
- Step 5：一旦页面下载完成，
Downloader生成一个该页面的Response，
并将其通过下载中间件(返回response方向)发送给**引擎**；
- Step 6：
引擎从Downloader中接收Response并通过Spider中间件
(输出方向)发送给**Spider**处理；
- Step 7：
Spider处理Response并返回爬取到的Item及(跟进的新
的Request)给引擎；
- Step 8：
引擎将(Spider返回的)爬取到的Item给Item Pipeline，
将(Spider返回的)Request给**Scheduler**；
- Step 9：继续重复从Step2开始，直到**
Scheduler里没有更多的Request，
然后引擎**关闭该网站。
4.新建并了解Scrapy项目结构
执行下述命令可以生成一个Scrapy项目
scrapy startproject 项目名
新建的项目结构如下：
ScrapyStudy/
scrapy.cfg
ScrapyStudy/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
5.Scrapy使用初体验
1.编写Spider类爬取到网页
自定义Spider时，需 继承scrapy.Spider类，且必须有以下三个成员：
name：用于区分不同的Spider，名字要唯一！！！- parse(response)：Spider的一个回调函数，当Downloader返回Response时会被调用，
每个初始URL完成下载后生成的response对象将会作为唯一的参数传递
给该函数。该函数负责解析返回的数据(response)，提取数据(生成item)
以及生成需要进一步处理的URL的Request对象。
- start_requests()：Spider刚启动时，生成需要爬去的链接，写这个
就不用写start_urls了。
使用示例：
命令行键入：scrapy crawl pic_spider 执行PicSpider，执行完成后可以
看到，Spider已经把这两个网站给扒下来了，厉害了：
2.取出网页中想要的信息
Scrapy中使用一种基于XPath和CSSDE表达式机制：Scrapy Selectors
来提取出网页中我们所需的数据。
Selector是一个选择，有四个基本方法：
- xpath()：传入xpath表达式，返回该表达式对应的所有节点的selector list列表；
- css()：传入CSS表达式，返回该表达式对应的所有及诶点的selector list列表；
- extract()：序列化该节点为unicode字符串并返回list；
- re()：根据传入的正则表达式对数据进行提取，返回unicode字符串list列表；
这里顺道学下XPath的基本语法：(更多可见：www.w3school.com.cn/xpath/)
首先XPath中的路径分为绝对路径与相对路径：
绝对路径：用**/，表示从根节点开始选取；
相对路径：用//，表示选择任意位置的节点，而不考虑他们的位置；
另外可以使用*通配符来表示未知的元素；除此之外还有两个选取节点的：
.：选取当前节点；..**：当前节点的父节点；
接着就是选择分支进行定位了，比如存在多个元素，想唯一定位，
可以使用**[]**中括号来选择分支，下标是从1开始算的哦！
比如可以有下面这些玩法：
/tr/td[1]：取第一个td/tr/td[last()]：取最后一个td/tr/td[last()-1]：取倒数第二个td/tr/td[position()<3]：取第一个和第二个td/tr/td[@class]：选取拥有class属性的td/tr/td[@class='xxx']：选取拥有class属性为xxx的td/tr/td[count>10]：选取 price 元素的值大于10的td
然后是选择属性，其实就是上面的这个**@**
可以使用多个属性定位，可以这样写：/tr/td[@class='xxx'][@value='yyy']
或者**/tr/td[@class='xxx' and @value='yyy']**
再接着是常用函数：除了上面的last()，position()，外还有：
contains(string1,string2)：如果前后匹配返回True，不匹配返回False；
text()：获取元素的文本内容
start-with()：从起始位置匹配字符串
更多的自己去翻文档吧～
最后是轴，当上面的操作都不能定位时，这个时候可以考虑根据元素
的父辈节点或者兄弟节点来定位了，这个时候就会用到Xpath轴，
利用轴可定位某个相对于当前节点的节点集，语法：轴名称::标签名
规则列表如下：
| 轴名称 |
作用 |
| ancestor |
选取当前节点的所有先辈（父、祖父等）。 |
| ancestor-or-self |
选取当前节点的所有先辈（父、祖父等）以及当前节点本身。 |
| attribute |
选取当前节点的所有属性。 |
| child |
选取当前节点的所有子元素。 |
| descendant |
选取当前节点的所有后代元素（子、孙等）。 |
| descendant-or-self |
选取当前节点的所有后代元素（子、孙等）以及当前节点本身。 |
| following |
选取文档中当前节点的结束标签之后的所有节点。 |
| following-sibling |
选取当前节点之后的所有兄弟节点 |
| namespace |
选取当前节点的所有命名空间节点。 |
| parent |
选取当前节点的父节点。 |
| preceding |
选取文档中当前节点的开始标签之前的所有节点。 |
| preceding-sibling |
选取当前节点之前的所有同级节点。 |
| self |
选取当前节点。 |
大概规则了解到这里，接下来就用Xpath来获取我们想要的东西～
在开始解析之前我们还要写一个Item，就是拿来装我们爬取筛选
过后数据的容器，使用方法和Python中的字典类似，并且提供了
额外的保护机制来避免因拼写错误导致的未定义字段错误。
打开项目中的**items.py**文件进行编辑，比如我这里只需要两个
字段，图片的标题以及链接：
编写完后着手来修改我们的PicSpider类，选用的网址是：
www.win4000.com/meitu.html
F12看下网页结构，圈住的就是我们的入手点和想要获取的数据了：
从tab_box开始一层层定位到我们想要的地方，不难写出下面的代码：
3.存储数据
得到我们的结果啦，最简单的存储数据的方式就是使用Feed exports，
支持四种导出格式：JSON，JSON lines，XML和CSV
使用也很简单，只是在平时执行scrapy脚本的后面加点东西：
scrapy crawl spider名字 -o 导出文件名 -t 导出格式
比如我这里导出xml：
输出结果：
4.下载图片
图片URL都有了，接下来肯定是把图片都download到本地啦～
这里就可以直接使用Scrapy中内置的**ImagePipeline**啦！
我们另外实现ImagePipeline，做下url校验，已经图片生成规则，
把图片下载到我们想下载的地方，编辑下pipelines.py，新增：
然后settings.py，找到ITEM_PIPELINES把注释去掉，启用pinelines，
把我们自定义的PicPipeLine加上，还有顺道设置下下载图片的存放位置：
接着命令行运行我们的spider
scrapy crawl pic_spider
图片都哗哗哗地下载到本地了：
嘻嘻，略爽，比起之前那种手写的方式～
6.小结
本节对Python里很出名的爬虫框架Scrapy进行了初步的学习
后面还会更深入地去了解Scrapy，这里先放一放。下一节我们
学习的是通过自动化测试框架Selenium来爬取使用JS动态生成
数据的场景，敬请期待~
参考文献：
来啊，Py交易啊
欢迎各种像我一样的Py初学者，或者Py大神加入，
一起愉快地交流学♂习：
