第一个scrapy
安装和文档:
- 安装：通过
pip install scrapy即可安装。 - Scrapy官方文档：http://doc.scrapy.org/en/latest
- Scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
如果在windows系统下，提示这个错误ModuleNotFoundError: No module named ‘win32api‘，那么使用以下命令可以解决：pip install pypiwin32。
案例:
创建项目：
进入到你想把这个项目存放的目录。然后使用控制台创建项目：
scrapy startproject demo
目录结构介绍：
以下介绍下主要文件的作用：
- items.py：用来存放爬虫爬取下来数据的模型。
- middlewares.py：用来存放各种中间件的文件。
- pipelines.py：用来将
items的模型存储到本地磁盘中。 - settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
- scrapy.cfg：项目的配置文件。
- spiders包：以后所有的爬虫，都是存放到这个里面
使用Scrapy框架爬取糗事百科段子：
使用命令创建一个爬虫(进入项目的目录中使用控制台命令创建)：
scrapy genspider qsbk "qiushibaike.com"
创建了一个名字叫做qsbk的爬虫，并且能爬取的网页只会限制在qiushibaike.com这个域名下。
该命令会自动在项目的spiders目录下创建qsbk.py文件,并自动写入下面代码.
爬虫代码解析：
import scrapy
class QsbkSpider(scrapy.Spider):
name = ‘qsbk‘
allowed_domains = [‘qiushibaike.com‘]
start_urls = [‘http://qiushibaike.com/‘]
def parse(self, response):
pass其实这些代码我们完全可以自己手动去写，而不用命令。只不过是不用命令，自己写这些代码比较麻烦。
要创建一个Spider，那么必须自定义一个类，继承自scrapy.Spider，然后在这个类中定义三个属性和一个方法。
- name：这个爬虫的名字，名字必须是唯一的。不能跟项目名称相同
- allow_domains：允许的域名。爬虫只会爬取这个域名下的网页，其他不是这个域名下的网页会被自动忽略。
- start_urls：爬虫从这个变量中的url开始。
- parse：引擎会把下载器下载回来的数据扔给爬虫解析，爬虫再把数据传给这个
parse方法。这个是个固定的写法。这个方法的作用有两个，第一个是提取想要的数据。第二个是生成下一个请求的url。
修改settings.py代码：
在做一个爬虫之前，一定要记得修改setttings.py中的设置。两个地方是强烈建议设置的。
ROBOTSTXT_OBEY设置为False。默认是True。即遵守机器协议，那么在爬虫的时候，scrapy首先去找robots.txt文件，如果没有找到。则直接停止爬取。DEFAULT_REQUEST_HEADERS添加User-Agent。这个也是告诉服务器，我这个请求是一个正常的请求，不是一个爬虫。
完成的爬虫代码：
qsbk.py文件代码
# -*- coding: utf-8 -*-
import scrapy
from demo.items import DemoItem
class QsbkSpider(scrapy.Spider):
name = ‘qsbk‘
allowed_domains = [‘qiushibaike.com‘]
start_urls = [‘https://www.qiushibaike.com/hot/page/1/‘]
def parse(self, response): # selectorlist
divs = response.xpath("//div[@id=‘content-left‘]/div")
for div in divs: selector
author = div.xpath(".//h2/text()").get().strip()
content = div.xpath(".//div[@class=‘content‘]//text()").getall() # get和getall方法都具有将xpath提取到的数据从selector转换为unicode的作用，只不过get()返回字符串，getall()返回的是一个列表
content = "".join(content).strip()
item = DemoItem(author=author, content=content)
yield itemitems.py代码
import scrapy
class DemoItem(scrapy.Item):
author = scrapy.Field()
content = scrapy.Field()pipelines代码
import json
class DemoPipeline(object):
def __init__(self):
self.fp = open("duanzi.json", "w", encoding="utf-8")
def open_spider(self, spider):
pass
def process_item(self, item, spider):
item_json = json.dumps(dict(item), ensure_ascii=False)
self.fp.write(item_json+‘\n‘, )
return item
def close_spider(self, spider):
self.fp.close()记得要将settings.py里的pipelines设置注释取消掉
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
‘demo.pipelines.DemoPipeline‘: 300,
}运行scrapy项目：
运行scrapy项目。需要在终端，进入项目所在的路径，然后scrapy crawl [爬虫名字]即可运行指定的爬虫。如果不想每次都在命令行中运行，那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。比如现在新创建一个文件叫做start.py，然后在这个文件中填入以下代码：
from scrapy import cmdline
cmdline.execute("scrapy crawl qsbk".split())笔记:
1、response是一个scrapy.http.response.html.HtmlResponse对象，可以使用xpath和css语法来提取数据。
2、提取出来的数据是Selector或者是SelectorList对象，获取其中字符串应该使用get()或getall()方法。
3、getall方法：获取所有文本，返回的是一个列表。
4、get方法：获取的是第一个文本，返回的是一个str类型。
5、如果数据解析回来，要传给pipeline处理，那么使用yield来返回。或者在收集所有item，最后统一使用return返回。
6、item：建议在items.py中定义好模型，不要 使用字典返回。
7、pipelines中的四个常用方法。
补充_url跟进:
怎么样使爬虫自动爬取下一页呢?修改qsbk.py文件如下:
# -*- coding: utf-8 -*-
import scrapy
from demo.items import DemoItem
class QsbkSpider(scrapy.Spider):
name = ‘qsbk‘
allowed_domains = [‘qiushibaike.com‘]
start_urls = [‘https://www.qiushibaike.com/hot/page/1/‘]
def parse(self, response):
divs = response.xpath("//div[@id=‘content-left‘]/div")
for div in divs:
author = div.xpath(".//h2/text()").get().strip()
content = div.xpath(".//div[@class=‘content‘]//text()").getall()
content = "".join(content).strip()
item = DemoItem(author=author, content=content)
yield item
#url跟进开始
#获取下一页的url信息, ..是前一个节点的父节点.
url = response.xpath("//span[contains(text(),‘下一页‘)]/../@href").extract()
print(url)
if url:
#将信息组合成下一页的url
page = ‘https://www.qiushibaike.com‘ + url[0]
#返回url
yield scrapy.Request(page, callback=self.parse)
#url跟进结束
提取下一页的链接的时候,使用xpath的"//span[contains(text(),‘下一页‘)]/../@href"先定位到span节点,在定位到父节点a,获取链接.