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 item
items.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.