有半个月没有更新了，最近确实有点忙。先是华为的比赛，接着实验室又有项目，然后又学习了一些新的知识，所以没有更新文章。为了表达我的歉意，我给大家来一波福利。。。

      今天咱们说的是爬虫框架。之前我使用python爬取慕课网的视频，是根据爬虫的机制，自己手工定制的，感觉没有那么高大上，所以我最近玩了玩 python中强大的爬虫框架Scrapy。

       Scrapy是一个用 Python 写的 Crawler Framework ，简单轻巧，并且非常方便。Scrapy 使用 Twisted 这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：

      绿线是数据流向，首先从初始 URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider 分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到 Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。

     简要介绍了Scrapy的工作流程，咱们开始直奔主题，使用Scrapy爬取美女图片。

     大家注意今天不是讲Scrapy基础教程，咱们在之后的七夜音乐台开发的时候会讲解。所以咱们今天直接上手。

     以煎蛋网(http://jandan.net)为例子:

咱们来到煎蛋网首页，其中有一个栏目是妹子，今天的目标就是它。

图片的分类是按页进行排列，咱们要爬取所有的图片需要模拟翻页。

打开火狐中的firebug,审查元素。

这是咱们需要的图片链接，只要获取这个链接，进行下载就可以了。

咱们看看翻页后的链接是什么？？？

咱们只要解析出红线圈出的这个标签，就可以知道下一页的链接了，就是这么简单。好了，这时候就可以写代码了。。。

打开cmd，输入scrapy startproject jiandan,这时候会生成一个工程，然后我把整个工程复制到pycharm中(还是使用IDE开发快)。

上图就是工程的结构。

jiandanSpider.py ——Spider 蜘蛛

items.py —————–对要爬取数据的模型定义

pipelines.py————-咱们最终要存储的数据

settings.py—————-对Scrapy的配置

接下来我把代码贴一下:

jiandanSpider.py:

#coding:utf-8

import scrapy

from jiandan.items   import  JiandanItem

fromscrapy.crawler  import  CrawlerProcess

class  jiandanSpider(scrapy.Spider):

name =\’jiandan\’

allowed_domains = []

start_urls = [\”http://jandan.net/ooxx\”]

defparse(self, response):

item = JiandanItem()

item[\’image_urls\’] = response.xpath(\’//img//@src\’).extract()#提取图片链接

# print \’image_urls\’,item[\’image_urls\’]

yield  item

new_url= response.xpath(\’//a[@class=\”previous-comment-page\”]//@href\’).extract_first()#翻页

# print \’new_url\’,new_url

if new_url:

yield  scrapy.Request(new_url,callback=self.parse)

items.py :

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

import  scrapy

class  JiandanItem(scrapy.Item):

# define the fields for your item here like:

image_urls=scrapy.Field()#图片的链接

pipelines.py:

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

importos

importurllib

from jiandan  import  settings

class  JiandanPipeline(object):

def  process_item(self, item, spider):

dir_path=\’%s/%s\’%(settings.IMAGES_STORE,spider.name)#存储路径

print\’dir_path\’,dir_path

if not  os.path.exists(dir_path):

os.makedirs(dir_path)

for image_url in  item[\’image_urls\’]:

list_name=image_url.split(\’/\’)

file_name=list_name[len(list_name)-1]#图片名称

# print \’filename\’,file_name

file_path=\’%s/%s\’%(dir_path,file_name)

# print \’file_path\’,file_path

if  os.path.exists(file_name):

continue

with  open(file_path,\’wb\’) as file_writer:

conn=urllib.urlopen(image_url)#下载图片

file_writer.write(conn.read())

file_writer.close()

return item

settings.py:

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

# Scrapy settings for jiandan project

#

# For simplicity, this file contains only settings considered important or

# commonly used. You can find more settings consulting the documentation:

#

#http://doc.scrapy.org/en/latest/topics/settings.html

#http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html

#http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html

BOT_NAME=\’jiandan\’

SPIDER_MODULES=[\’jiandan.spiders\’]

NEWSPIDER_MODULE=\’jiandan.spiders\’

ITEM_PIPELINES={

\’jiandan.pipelines.JiandanPipeline\’:1,

}

IMAGES_STORE=\’E:\’

DOWNLOAD_DELAY=0.25

最后咱们开始运行程序，cmd切换到工程目录，

输入scrapy crawl jiandan，启动爬虫。。。

大约20分钟左右，爬虫工作结束。。。

咱们去看看美女图吧，居然有1.21G。。。

今天的分享就到这里，如果大家觉得还可以呀，记得打赏呦。

感谢大家的关注，加我的微信，咱们进行交流。