【Python网络爬虫入门教程3】成为“Spider Man”的第三课：从requests到scrapy、爬取目标网站

Python 网络爬虫入门：Spider man的第三课

写在最前面
- 从requests到scrapy
- 利用scrapy爬取目标网站
- 更多内容
结语

写在最前面

有位粉丝希望学习网络爬虫的实战技巧，想尝试搭建自己的爬虫环境，从网上抓取数据。

前面有写一篇博客分享，但是内容感觉太浅显了
【一个超简单的爬虫demo】探索新浪网：使用 Python 爬虫获取动态网页数据

本期邀请了擅长爬虫的朋友@PoloWitty，来撰写这篇博客。通过他的专业视角和实战经验，一步步引导我们入门，成为一名数据探索的“Spider Man”。

【Python网络爬虫入门教程1】成为“Spider Man”的第一课：HTML、Request库、Beautiful Soup库
【Python网络爬虫入门教程2】成为“Spider Man”的第二课：观察目标网站、代码编写
【Python网络爬虫入门教程3】成为“Spider Man”的第三课：从requests到scrapy、爬取目标网站

随着互联网数据的指数级增长，了解如何有效地提取这些信息变得越来越重要。无论是文本模型如ChatGPT，还是视觉模型如Stable Diffusion，它们的训练数据大多来源于互联网的海量数据。在这个日新月异的大数据时代，爬虫也算是其中不得不点的一项基础技能树了。

本系列文章将深入浅出地介绍Python网络爬虫的基础知识和技术，从 Requests 库到 Scrapy 框架的 入门级 使用，为你开启python网络爬虫的大门，成为spider man的一员，并最终以ScrapeMe网站作为目标示例，爬取下网站上的可爱又有趣的宝可梦照片。

在开始之前，还要啰嗦几句叠个甲，网络爬虫虽然强大，但在使用时必须遵守法律法规和网站的爬虫协议。不违法爬取数据，遵守相关法律法规哦~

请添加图片描述

这是本系列的第三篇文章，将会以ScrapeMe网站作为示例，展示如何利用scrapy库更好的来对网站上的宝可梦图片进行爬取。

文章目录

写在最前面
- 从requests到scrapy
- 利用scrapy爬取目标网站
- 更多内容
结语

从requests到scrapy

当谈到网络爬虫时，起初我们可能会选择简单的方案，比如使用requests和Beautiful Soup这样的工具，就像手工艺者用胶水和剪刀来完成手工艺品。但是，当我们的爬虫任务变得更为复杂、庞大时，我们就需要更高效、更强大的工具。

这时候，Scrapy登场了！它就像是一台全能机器人助手，能够应对各种爬虫任务。通过Scrapy，我们可以创建整个爬虫项目，定义抓取规则和流程。它能够并行抓取多个页面，就像是多线程的大明星！更棒的是，它内置了各种功能，比如自动的请求调度、页面解析以及数据存储。简直就像是一套量身定制的工具箱，让我们更轻松地面对爬虫世界的挑战。

具体到我们在第二课中实现的简单爬虫程序，运行过程序的小伙伴可能会发现，爬取的速度并不是很快，而如果要自己实现并行，不仅需要了解并行的相关知识，还要做好并行程序之间的通讯调度等等。而Scrapy框架则可以直接帮我们自动完成这些功能，我们仅需要关注于单个线程代码的实现即可，是不是很方便呢

利用scrapy爬取目标网站

首先，我们需要利用pip install Scrapy命令下载Scrapy包。

为了创建一个完整的scrapy项目，我们可以使用其提供的命令行工具进行创建，在命令行中输入scrapy startproject spider，我们可以新建一个名为spider的全新scrapy项目，在这个项目目录下，包含以下一些文件：

.
├── scrapy.cfg
└── spider
    ├── __init__.py 
    ├── items.py 
    ├── middlewares.py
    ├── pipelines.py
    ├── settings.py # 项目配置文件
    └── spiders 	# 用于放置你的爬虫程序的目录
        └── __init__.py

除了上述给出注释的文件，其他文件里的内容可以暂时不进行理会，感兴趣的同学可以在网上查找相关内容进行学习。

然后我们进入spider/spiders目录下，在命令行中输入scrapy genspider pokemon scrapeme.live/shop/ ，创建一个名为pockmon的爬虫（一个爬虫项目下可以又多个爬虫），用于爬取scrapme.live/shop/网页。

此时，在spider/spiders目录下，我们便可以发现我们的爬虫程序pokemon.py，它当前的内容为自动填充的结果：

import scrapy


class PokemonSpider(scrapy.Spider):
    name = "pokemon"
    allowed_domains = ["scrapeme.live"]
    start_urls = ["http://scrapeme.live/"]

    def parse(self, response):
        pass

接下来我们需要向其中填入新的内容，并可以使用scrapy crawl pokemon -O image_urls.csv命令运行该爬虫，得到我们想要的结果：

import scrapy
import requests

def download_from_url(url:str):
    '''
    利用requests库，从相应的图片链接中下载对应的图片
    结果会保存到results文件夹中
    '''
    filename = url.split('/')[-1]
    with open(f'../results/{filename}','wb') as fp:
        fig_response = requests.get(url)
        fp.write(fig_response.content)


class PokemonSpider(scrapy.Spider):
    name = "pokemon"
    allowed_domains = ["scrapeme.live"]
    start_urls = [f"https://scrapeme.live/shop/page/{pageNum}/?orderby=popularity" for pageNum in range(1,49)] # 所有的page链接

    def parse(self, response):
        image_urls = response.css('img') # 找到所有的img对应的位置
        for image_url in image_urls:
            url = image_url.attrib['src']
            download_from_url(url)
            yield {'image_url':url}

其中PokemonSpider继承了scrapy.Spider类，会使用name属性命名该爬虫，并将请求限制在allowed_domains内，以start_urls开始进行爬取。在parse()函数中，会得到一个response对象，这个对象其实就很类似于之前使用Beautiful Soup解析后的DOM树，我们可以直接使用repoonse.css()方法获取到网页中以相应css标签进行标记的内容，最后的yield会将每次parse的图像链接保存至image_urls.csv输出文件中。而相应的下载的图片依旧是在results文件夹下。