本文通过一个简单的项目实现Scrapy采集流程。希望通过该项目对Scrapy的使用方法和框架能够有帮助。
目录
1. 工作流程
重点流程如下：
创建一个Scrapy项目。创建一个爬虫来抓取网站和处理数据。通过命令行将采集的内容进行分析。将分析的数据保存到MongoDB数据库。2. 准备环境
安装好Scrapy框架，MongoDB的和PyMongo库。
3. 爬虫项目实现
（1）创建一个Scrapy项目，文件项目可以直接用
scrapy
命令生成，命令如下所示：
scrapy startproject教程复制代码（2）爬虫是自己定义的类，Scrapy通过该类从网页里采集内容分析数据的结果。不过这个类必须继承Scrapy提供的蜘蛛类
scrapy.Spider
，还要定义爬虫的名称和起始请求，以及怎样处理爬取后的数据。
也可以使用命令行创建一个蜘蛛比如要生成行情这个蜘蛛，可以执行如下命令：
scrapy genspider 复制代码进入刚才创建的教程文件夹，执行然后
genspider
命令。第一个参数是爬虫的名称，第二个参数是网站域名。执行完毕之后，蜘蛛文件夹中多了一个quotes.py，它就是刚刚创建的蜘蛛，内容如下所示：
import scrapy classQuotesSpider （scrapy.Spider）： name = “quotes” allowed_domains = [ “quotes.toscrape.com” ] start_urls = [] defparse （self，response）： 通过复制代码（3）采集过程中，目标网站会限制爬虫的请求访问频率，必须使用爬虫代理
在项目中新建middlewares.py文件(./项目名/middlewares.py)
#! -*- encoding:utf-8 -*- import base64 import sys import random PY3 = sys.version_info[0] >= 3 def base64ify(bytes_or_str): if PY3 and isinstance(bytes_or_str, str): input_bytes = bytes_or_str.encode(utf8) else: input_bytes = bytes_or_str output_bytes = base64.urlsafe_b64encode(input_bytes) if PY3: return output_bytes.decode(ascii) else: return output_bytes class ProxyMiddleware(object): def process_request(self, request, spider): # 代理服务器(产品官网 www.16yun.cn) proxyHost = "t.16yun.cn" proxyPort = "31111" # 代理验证信息 proxyUser = "username" proxyPass = "password" request.meta[proxy] = "http://{0}:{1}".format(proxyHost,proxyPort) # 添加验证头 encoded_user_pass = base64ify(proxyUser + ":" + proxyPass) request.headers[Proxy-Authorization] = Basic+ encoded_user_pass # 设置IP切换头(根据需求) tunnel = random.randint(1,10000) request.headers[Proxy-Tunnel] = str(tunnel)修改项目配置文件 (./项目名/settings.py)
DOWNLOADER_MIDDLEWARES = { 项目名.middlewares.ProxyMiddleware: 100, }