八、Scrapy 框架

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

Scrapy架构图(绿线是数据流向)：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Xp71y0qa-1572485093461)(assets/scrapy_all-1560111729968.png)]

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

Scrapy的运作流程

代码写好，程序开始运行…

引擎：Hi！Spider, 你要处理哪一个网站？Spider：老大要我处理xxxx.com。引擎：你把第一个需要处理的URL给我吧。Spider：给你，第一个URL是xxxxxxx.com。引擎：Hi！调度器，我这有request请求你帮我排序入队一下。调度器：好的，正在处理你等一下。引擎：Hi！调度器，把你处理好的request请求给我。调度器：给你，这是我处理好的request引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。管道``调度器：好的，现在就做！

注意：只有当调度器没有request需要处理时，整个程序才会停止。（对于下载失败的URL，Scrapy也会重新下载。）

制作 Scrapy 爬虫 一共需要4步：

新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目明确目标 （编写items.py）：明确你想要抓取的目标制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页存储内容 （pipelines.py）：设计管道存储爬取内容

————————————————————————————————————————————————————————

Scrapy的安装介绍

Scrapy框架官方网址：http://doc.scrapy.org/en/latest

Scrapy中文维护站点：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安装方式

Python 2 / 3升级pip版本：pip install --upgrade pip通过pip 安装 Scrapy 框架pip install Scrapy

Ubuntu 需要9.10或以上版本安装方式

Python 2 / 3安装非Python的依赖 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev通过pip 安装 Scrapy 框架 sudo pip install scrapy

安装后，只要在命令终端输入 scrapy，提示类似以下结果，代表已经安装成功

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bviQvzDn-1572485093462)(assets/scrapy01-1560111747841.PNG)]

具体Scrapy安装流程参考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes 里面有各个平台的安装方法

——————————————————————————————————————————————————

入门案例

学习目标

创建一个Scrapy项目定义提取的结构化数据(Item)编写爬取网站的 Spider 并提取出结构化数据(Item)编写 Item Pipelines 来存储提取到的Item(即结构化数据)

一. 新建项目(scrapy startproject)

在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令： scrapy startproject m 其中， myspider 为项目名称，可以看到将会创建一个 myspider 文件夹，目录结构大致如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0H6839z7-1572485093462)(assets/scrapy02-1560111759238.PNG)]

下面来简单介绍一下各个主要文件的作用：

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/ ：存储爬虫代码目录

二、明确目标(mySpider/items.py)

我们打算抓取：http://movie.mtime.com/boxoffice/#world/weekend 网站里的发布时间，标题，观看人数。

打开mySpider目录下的items.pyItem 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。接下来，创建一个MyspiderItem类，和构建item模型（model）。 # items.py import scrapy class MyspiderItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() # 标题 product_little = scrapy.Field() # 类型 product_type = scrapy.Field() # 观看人数 see_count = scrapy.Field() # 点赞人数 zan_count = scrapy.Field()

三、制作爬虫 （spiders/new_chang.py）

爬虫功能要分两步：

1. 爬数据

在当前目录下输入命令，将在mySpider/spider目录下创建一个名为xin_chang的爬虫，并指定爬取域的范围： scrapy genspider new_chang "xinpianchang.com" 打开 mySpider/spider目录里的 new_chang.py，默认增加了下列代码: import scrapy class NewChangSpiderr(scrapy.Spider): # 必须品 name = "new_chang" # 非必需品 # allowed_domains = ["xinpianchang.com"] # 必须有 start_urls = ( 'https://www.xinpianchang.com/channel/index/sort-like', ) def parse(self, response): pass

其实也可以由我们自行创建new_chang.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。allowed_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下： 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)生成需要下一页的URL请求。

将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.baidu.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response): with open("new.html", "w") as f: f.write(response.text)

然后运行一下看看，在mySpider目录下执行：

scrapy crawl new_chang

是的，就是 new_chang，看上面代码，它是NewChangSpider 类的 name 属性，也就是使用 scrapy genspider命令的爬虫名。

一个Scrapy爬虫项目里，可以存在多个爬虫。各个爬虫在执行时，就是按照 name 属性来区分。

运行之后，如果打印的日志出现 [scrapy] INFO: Spider closed (finished)，代表执行完成。 之后当前文件夹中就出现了一个new.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BfdnxaOi-1572485093463)(assets/scrapy03-1560111915491.PNG)]

# 注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码； # 我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加： import sys reload(sys) sys.setdefaultencoding("utf-8") # 这三行代码是Python2.x里解决中文编码的万能钥匙，经过这么多年的吐槽后Python3学乖了，默认编码是Unicode了...

---

2. 取数据

爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VGWjNrmt-1572485093463)(assets/scrapy04.PNG)]

<a href="javascript:;"> <p class="fs_14 fw_600 c_b_3 line-hide-1">晴天，海边</p> </a> <div class="new-cate"> <span class="fs_12 fw_300 c_b_9">MV</span> <span class="i-icon v-center"></span> <span class="fs_12 fw_300 c_b_9"> 纪录 - 旅行 </span> </div> <div class="video-view fs_12 fw_300 c_b_9"> <span class="fw_300 icon-play-volume">1.5w</span> <span class="fw_300 c_b_9 icon-like">151</span> </div>

是不是一目了然？直接上XPath开始提取数据吧。

我们之前在mySpider/items.py 里定义了一个MyspiderItem类。 这里引入进来 from ..items import MyspiderItem 然后将我们得到的数据封装到一个 MyspiderItem 对象中，可以保存每个片场的属性： # -*- coding: utf-8 -*- import scrapy from ..items import MyspiderItem class NewChangSpider(scrapy.Spider): name = 'new_chang' allowed_domains = ['xinpianchang.com'] start_urls = ['https://www.xinpianchang.com/channel/index/sort-like'] def parse(self, response): items = [] for eatch in response.xpath('//li[@class="enter-filmplay"]//div[@class="video-con"]'): # 将我们得到的数据封装到一个 `MyspiderItem` 对象 item = MyspiderItem() # extract()方法返回的都是unicode字符串 product_little = eatch.xpath('.//a/p/text()').extract() print("*" * 100) product_type = eatch.xpath('.//div[@class="new-cate"]//span/text()').extract() see_count = eatch.xpath('.//div[@class="video-view fs_12 fw_300 c_b_9"]/span/text()')[0].extract() zan_count = eatch.xpath('.//div[@class="video-view fs_12 fw_300 c_b_9"]/span/text()')[1].extract() print("see_count", zan_count) # xpath返回的是包含元素的列表 item["product_little"] = product_little item["product_type"] = product_type item["see_count"] = see_count item["zan_count"] = zan_count items.append(item) return items 我们暂时先不处理管道，后面会详细介绍。

3.保存数据

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：

# json格式，默认为Unicode编码 scrapy crawl new_chang -o new.json # json lines格式，默认为Unicode编码 scrapy crawl new_chang -o new.jsonl # csv 逗号表达式，可用Excel打开 scrapy crawl new_chang -o new.csv # xml格式 scrapy crawl new_chang -o new.xml

---

思考

如果将代码改成下面形式，结果完全一样。

# -*- coding: utf-8 -*- import scrapy from ..items import MyspiderItem class NewChangSpider(scrapy.Spider): name = 'new_chang' allowed_domains = ['xinpianchang.com'] start_urls = ['https://www.xinpianchang.com/channel/index/sort-like'] def parse(self, response): items = [] # for eatch in response.xpath('//li[@class="enter-filmplay"]//div[@class="video-con"]')[:2]: # 将我们得到的数据封装到一个 `MyspiderItem` 对象 item = MyspiderItem() # extract()方法返回的都是unicode字符串 product_little = eatch.xpath('.//a/p/text()').extract() print("*" * 100) # product_type = eatch.xpath('.//div[@class="new-cate"]//span/text()').extract() see_count = eatch.xpath('.//div[@class="video-view fs_12 fw_300 c_b_9"]/span/text()')[0].extract() zan_count = eatch.xpath('.//div[@class="video-view fs_12 fw_300 c_b_9"]/span/text()')[1].extract() print("see_count", zan_count) # xpath返回的是包含元素的列表 item["product_little"] = product_little item["product_type"] = product_type item["see_count"] = see_count item["zan_count"] = zan_count yield item

Scrapy Shell

Scrapy终端是一个交互终端，我们可以在未启动spider的情况下尝试及调试代码，也可以用来测试XPath或CSS表达式，查看他们的工作方式，方便我们爬取的网页中提取的数据。

如果安装了 IPython ，Scrapy终端将使用 IPython (替代标准Python终端)。 IPython 终端与其他相比更为强大，提供智能的自动补全，高亮输出，及其他特性。（推荐安装IPython）

启动Scrapy Shell

进入项目的根目录，执行下列命令来启动shell:

scrapy shell "https://www.xinpianchang.com/channel/index/sort-like"

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-teTZcpnU-1572485093463)(assets/scrapy05.png)]

Scrapy Shell根据下载的页面会自动创建一些方便使用的对象，例如 Response 对象，以及 Selector 对象 (对HTML及XML内容)。

当shell载入后，将得到一个包含response数据的本地 response 变量，输入 response.body将输出response的包体，输出 response.headers 可以看到response的包头。输入 response.selector 时， 将获取到一个response 初始化的类 Selector 的对象，此时可以通过使用 response.selector.xpath()或response.selector.css() 来对 response 进行查询。Scrapy也提供了一些快捷方式, 例如 response.xpath()或response.css()同样可以生效（如之前的案例）。

Selectors选择器

Scrapy Selectors 内置 XPath 和 CSS Selector 表达式机制

Selector有四个基本的方法，最常用的还是xpath:

xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表extract(): 序列化该节点为Unicode字符串并返回listcss(): 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表，语法同 BeautifulSoup4re(): 根据传入的正则表达式对数据进行提取，返回Unicode字符串list列表

XPath表达式的例子及对应的含义:

/html/head/title: 选择<HTML>文档中 <head> 标签内的 <title> 元素 /html/head/title/text(): 选择上面提到的 <title> 元素的文字 //td: 选择所有的 <td> 元素 //div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素

以后做数据提取的时候，可以把现在Scrapy Shell中测试，测试通过后再应用到代码中。

当然Scrapy Shell作用不仅仅如此，但是不属于我们课程重点，不做详细介绍。

官方文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/shell.html

——————————————————————————————————————————————————

Item Pipeline

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用：

验证爬取的数据(检查item包含某些字段，比如说name字段)查重(并丢弃)将爬取结果保存到文件或者数据库中

编写item pipeline

编写item pipeline很简单，item pipiline组件是一个独立的Python类，其中process_item()方法必须实现:

import something class SomethingPipeline(object): def __init__(self): # 可选实现，做参数初始化等 # doing something def process_item(self, item, spider): # item (Item 对象) – 被爬取的item # spider (Spider 对象) – 爬取该item的spider # 这个方法必须实现，每个item pipeline组件都需要调用该方法， # 这个方法必须返回一个 Item 对象，被丢弃的item将不会被之后的pipeline组件所处理。 return item def open_spider(self, spider): # spider (Spider 对象) – 被开启的spider # 可选实现，当spider被开启时，这个方法被调用。 def close_spider(self, spider): # spider (Spider 对象) – 被关闭的spider # 可选实现，当spider被关闭时，这个方法被调用

完善之前的案例：

item写入JSON文件

以下pipeline将所有(从所有’spider’中)爬取到的item，存储到一个独立地items.json 文件，每行包含一个序列化为’JSON’格式的’item’。

打开 pipelines.py 文件，写入下面代码:

import json class MySpiderJsonPipeline(object): def __init__(self): self.file = open('new.json', 'w') def process_item(self, item, spider): content = json.dumps(dict(item), ensure_ascii=False) + "\n" self.file.write(content) return item def close_spider(self, spider): self.file.close()

启用一个Item Pipeline组件

为了启用Item Pipeline组件，必须将它的类添加到 settings.py文件ITEM_PIPELINES 配置，就像下面这个例子:

ITEM_PIPELINES = { # 'mySpider.pipelines.MyspiderPipeline': 300, 'mySpider.pipelines.MySpiderJsonPipeline': 300, }

分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）

重新启动爬虫

将parse()方法改为4.2中最后思考中的代码，然后执行下面的命令：

scrapy crawl new_chang

查看当前目录是否生成new.json

——————————————————————————————————————————————————

Spider

Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。 换句话说，Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。

class scrapy.Spider是最基本的类，所有编写的爬虫必须继承这个类。

主要用到的函数及调用顺序为：

__init__() : 初始化爬虫名字和start_urls列表

start_requests() 调用make_requests_from url():生成Requests对象交给Scrapy下载并返回response

parse() : 解析response，并返回Item或Requests（需指定回调函数）。Item传给Item pipline持久化 ， 而Requests交由Scrapy下载，并由指定的回调函数处理（默认parse())，一直进行循环，直到处理完所有的数据为止。

源码参考

#所有爬虫的基类，用户定义的爬虫必须从这个类继承 class Spider(object_ref): #定义spider名字的字符串(string)。spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。 #name是spider最重要的属性，而且是必须的。 #一般做法是以该网站(domain)(加或不加 后缀 )来命名spider。 例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite name = None #初始化，提取爬虫名字，start_ruls def __init__(self, name=None, **kwargs): if name is not None: self.name = name # 如果爬虫没有名字，中断后续操作则报错 elif not getattr(self, 'name', None): raise ValueError("%s must have a name" % type(self).__name__) # python 对象或类型通过内置成员__dict__来存储成员信息 self.__dict__.update(kwargs) #URL列表。当没有指定的URL时，spider将从该列表中开始进行爬取。 因此，第一个被获取到的页面的URL将是该列表之一。 后续的URL将会从获取到的数据中提取。 if not hasattr(self, 'start_urls'): self.start_urls = [] # 打印Scrapy执行后的log信息 def log(self, message, level=log.DEBUG, **kw): log.msg(message, spider=self, level=level, **kw) # 判断对象object的属性是否存在，不存在做断言处理 def set_crawler(self, crawler): assert not hasattr(self, '_crawler'), "Spider already bounded to %s" % crawler self._crawler = crawler @property def crawler(self): assert hasattr(self, '_crawler'), "Spider not bounded to any crawler" return self._crawler @property def settings(self): return self.crawler.settings #该方法将读取start_urls内的地址，并为每一个地址生成一个Request对象，交给Scrapy下载并返回Response #该方法仅调用一次 def start_requests(self): for url in self.start_urls: yield self.make_requests_from_url(url) #start_requests()中调用，实际生成Request的函数。 #Request对象默认的回调函数为parse()，提交的方式为get def make_requests_from_url(self, url): return Request(url, dont_filter=True) #默认的Request对象回调函数，处理返回的response。 #生成Item或者Request对象。用户必须实现这个类 def parse(self, response): raise NotImplementedError @classmethod def handles_request(cls, request): return url_is_from_spider(request.url, cls) def __str__(self): return "<%s %r at 0x%0x>" % (type(self).__name__, self.name, id(self)) __repr__ = __str__

主要属性和方法

name

定义spider名字的字符串。

例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite

allowed_domains

包含了spider允许爬取的域名(domain)的列表，可选。

start_urls

初始URL元祖/列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。

start_requests(self)

该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用 start_urls 的url）的第一个Request。

当spider启动爬取并且未指定start_urls时，该方法被调用。

parse(self, response)

当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。

log(self, message[, level, component])

使用 scrapy.log.msg() 方法记录(log)message。 更多数据请参见 logging

案例：新片场自动翻页采集

创建一个新的爬虫： scrapy genspider new_chang "xinpianchang.com" 编写items.py

获取片场信息

class TencentItem(scrapy.Item): name = scrapy.Field() detailLink = scrapy.Field() positionInfo = scrapy.Field() peopleNumber = scrapy.Field() workLocation = scrapy.Field() publishTime = scrapy.Field() 编写new_chang.py # -*- coding: utf-8 -*- import scrapy from ..items import MyspiderItem class NewChangSpider(scrapy.Spider): name = 'new_chang' allowed_domains = ['xinpianchang.com'] base_url = "https://www.xinpianchang.com/channel/index/type-/sort-like/duration_type-0/resolution_type-/page-" page = 0 start_urls = [base_url+ str(page)] def parse(self, response): items = [] # for eatch in response.xpath('//li[@class="enter-filmplay"]//div[@class="video-con"]')[:2]: # 将我们得到的数据封装到一个 `MyspiderItem` 对象 item = MyspiderItem() # extract()方法返回的都是unicode字符串 product_little = eatch.xpath('.//a/p/text()').extract() print("*" * 100) # product_type = eatch.xpath('.//div[@class="new-cate"]//span/text()').extract() see_count = eatch.xpath('.//div[@class="video-view fs_12 fw_300 c_b_9"]/span/text()')[0].extract() zan_count = eatch.xpath('.//div[@class="video-view fs_12 fw_300 c_b_9"]/span/text()')[1].extract() print("see_count", zan_count) # xpath返回的是包含元素的列表 item["product_little"] = product_little item["product_type"] = product_type item["see_count"] = see_count item["zan_count"] = zan_count # 返回item给引擎-管道处理 yield item if self.page <= 20: self.page += 1 # 返回request给调度器-下载器-spider.parse(response) # url 表示发送请求的url地址 # callback 表示该请求返回的响应，由指定的函数解析（回调函数） yield scrapy.Request(url=self.base_url + str(self.page), callback=self.parse) # yield scrapy.Request(url=self.start_urls, callback=self.parse) 编写pipeline.py文件 import json class MySpiderJsonPipeline(object): def __init__(self): self.file = open('new.json', 'w') def process_item(self, item, spider): content = json.dumps(dict(item), ensure_ascii=False) + "\n" self.file.write(content) return item def close_spider(self, spider): self.file.close() 在 setting.py 里设置ITEM_PIPELINES ITEM_PIPELINES = { # 'mySpider.pipelines.MyspiderPipeline': 300, 'mySpider.pipelines.MySpiderJsonPipeline': 300, } 执行爬虫：scrapy crawl new_chang

思考

请思考 parse()方法的工作机制：

1. 因为使用的yield，而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型； 2. 如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其他类型则返回错误信息。 3. scrapy取到第一部分的request不会立马就去发送这个request，只是把这个request放到队列里，然后接着从生成器里获取； 4. 取尽第一部分的request，然后再获取第二部分的item，取到item了，就会放到对应的pipeline里处理； 5. parse()方法作为回调函数(callback)赋值给了Request，指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse) 6. Request对象经过调度，执行生成 scrapy.http.response()的响应对象，并送回给parse()方法，直到调度器中没有Request（递归的思路） 7. 取尽之后，parse()工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作； 8. 程序在取得各个页面的items前，会先处理完之前所有的request队列里的请求，然后再提取items。 7. 这一切的一切，Scrapy引擎和调度器将负责到底。 : 300, 'mySpider.pipelines.MySpiderJsonPipeline': 300, } 执行爬虫：scrapy crawl new_chang

思考

请思考 parse()方法的工作机制：

1. 因为使用的yield，而不是return。parse函数将会被当做一个生成器使用。scrapy会逐一获取parse方法中生成的结果，并判断该结果是一个什么样的类型； 2. 如果是request则加入爬取队列，如果是item类型则使用pipeline处理，其他类型则返回错误信息。 3. scrapy取到第一部分的request不会立马就去发送这个request，只是把这个request放到队列里，然后接着从生成器里获取； 4. 取尽第一部分的request，然后再获取第二部分的item，取到item了，就会放到对应的pipeline里处理； 5. parse()方法作为回调函数(callback)赋值给了Request，指定parse()方法来处理这些请求 scrapy.Request(url, callback=self.parse) 6. Request对象经过调度，执行生成 scrapy.http.response()的响应对象，并送回给parse()方法，直到调度器中没有Request（递归的思路） 7. 取尽之后，parse()工作结束，引擎再根据队列和pipelines中的内容去执行相应的操作； 8. 程序在取得各个页面的items前，会先处理完之前所有的request队列里的请求，然后再提取items。 7. 这一切的一切，Scrapy引擎和调度器将负责到底。