一、先上效果
二、安装Scrapy和使用
官方网址：https://scrapy.org/。
安装命令：pip install Scrapy
安装完成，使用默认模板新建一个项目，命令：scrapy startproject xx
上图很形象的说明了，scrapy的运行机制。具体各部分的含义和作用，可自行百度，这里不再赘述。我们一般，需要做的是以下步骤。
1）配置settings，其他配置可根据自己的要求查看文档配置。
DEFAULT_REQUEST_HEADERS = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.10 Safari/537.36'
}
DOWNLOAD_TIMEOUT = 30
IMAGES_STORE = 'Images'
2）定义items类，相当于Model类。如：
class CnblogImageItem(scrapy.Item):
image = scrapy.Field()
imagePath = scrapy.Field()
name = scrapy.Field()
3）配置下载中间件，下载中间件的作用是自定义，怎么发请求。一般有处理代理的中间件、PhantomJs的中间件等。这里，我们只用到代理中间件。
class GaoxiaoSpiderMiddleware(object):
def process_request(self, request, spider):
if len(request.flags) > 0 and request.flags[0] == 'img':
return None
driver = webdriver.PhantomJS()
# 设置全屏
driver.maximize_window()
driver.get(request.url)
content = driver.page_source
driver.quit()
return HtmlResponse(request.url, encoding='utf-8', body=content)
class ProxyMiddleWare(object):
def process_request(self, request, spider):
request.meta['proxy'] = 'http://175.155.24.103:808'
4）编写pipeline，作用是处理从Spider中传过来的item，保存excel、数据库、下载图片等。这里给出我的下载图片代码，使用的是官方的下载图片框架。
class CnblogImagesPipeline(ImagesPipeline):
IMAGES_STORE = get_project_settings().get("IMAGES_STORE") def get_media_requests(self, item, info):
image_url = item['image']
if image_url != '':
yield scrapy.Request(str(image_url), flags=['img']) def item_completed(self, result, item, info):
image_path = [x["path"] for ok, x in result if ok] if image_path:
# 重命名
if item['name'] != None and item['name'] != '':
ext = os.path.splitext(image_path[0])[1]
os.rename(self.IMAGES_STORE + '/' +
image_path[0], self.IMAGES_STORE + '/' + item['name'] + ext)
item["imagePath"] = image_path
else:
item['imagePath'] = ''
return item
5）编写自己的Spider类，Spider的作用是配置一些信息、起始url请求、处理响应数据。这里的下载中间件配置、pipeline，可以放在settings文件中。这里我放在，各自的Spider中，因为项目中包含多个Spider，相互之间用的下载中间件不同，因此分开配置了。
# coding=utf-8
import sys
import scrapy
import gaoxiao.items
import json
reload(sys)
sys.setdefaultencoding('utf-8') class doubanSpider(scrapy.Spider):
name = 'douban'
allowed_domains = ['movie.douban.com']
baseUrl = 'https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start='
start = 0
start_urls = [baseUrl + str(start)]
custom_settings = {
'DOWNLOADER_MIDDLEWARES': {
'gaoxiao.middlewares.ProxyMiddleWare': 1,
# 'gaoxiao.middlewares.GaoxiaoSpiderMiddleware': 544
},
'ITEM_PIPELINES': {
'gaoxiao.pipelines.CnblogImagesPipeline': 1,
}
} def parse(self, response):
data = json.loads(response.text)['subjects']
for i in data:
item = gaoxiao.items.CnblogImageItem()
if i['cover'] != '':
item['image'] = i['cover']
item['name'] = i['title']
else:
item['image'] = ''
yield item
if self.start < 400:
self.start += 20
yield scrapy.Request(self.baseUrl + str(self.start), callback=self.parse)