python使用Scrapy框架编写一个抓取书籍信息的爬虫服务

Scrapy 是一个开源的 Python 数据抓取框架，速度快，强大，而且使用简单。

来看一个官网主页上的简单并完整的爬虫：

虽然只有10行左右的代码，但是它的确是一个完整的爬虫服务：

当执行scrapy runspider xxx.py命令的时候， Scrapy在项目里查找Spider(蜘蛛????️)并通过爬虫引擎来执行它。

首先从定义在start_urls里的URL开始发起请求，然后通过parse()方法处理响应。response参数就是返回的响应对象。

在parse()方法中，通过一个CSS选择器获取想要抓取的数据。

Scrapy所有的请求都是异步的，也就是说Scrapy不需要等一个请求完成才能处理下一条请求，而是同时发起另一条请求。

而且，异步请求的另一个好处是当某个请求失败了，其他的请求不会受到影响。

安装(Mac)

pip install scrapy

Scrapy中几个需要了解的概念

Spiders

Spider类想要表达的是：如何抓取一个确定了的网站的数据。比如在start_urls里定义的去哪个链接抓取，parse()方法中定义的要抓取什么样的数据。

当一个Spider开始执行的时候，它首先从start_urls()中的第一个链接开始发起请求，然后在callback里处理返回的数据。

Items

Item类提供格式化的数据，可以理解为数据Model类。

Selectors

Scrapy的Selector类基于lxml库，提供HTML或XML转换功能。以response对象作为参数生成的Selector实例即可通过实例对象的xpath()方法获取节点的数据。

编写一个Web爬虫

接下来将上一个Beautiful Soup版的抓取书籍信息的例子（使用Beautiful Soup编写一个爬虫 系列随笔汇总）改写成Scrapy版本。

新建项目

scrapy startproject book_project

这行命令会创建一个名为book_project的项目。

编写Item类

即实体类，代码如下：

编写Spider类

设置这个Spider的名称，允许爬取的域名和从哪个链接开始：

遍历分页数据的方法

'//a'的意思所有的a标签；

'//a[contains(@title, "Last Page →")' 的意思是在所有的a标签中，title属性包涵"Last Page →"的a标签；

extract() 方法解析并返回符合条件的节点数据。

从allitebooks.com获取书籍信息方法

从amazon.com获取书籍价格方法            

启动服务开始抓取

scrapy crawl bookinfo -o books.csv

-o books.csv 参数的意思是将抓取的Item集合输出到csv文件。

结果：