Scrapy使用的基本流程与实例讲解

paleyellow

2018-10-21

关注关注

前面已经介绍过如何创建scrapy的项目，和对项目中的文件功能的基本介绍。

这次，就来谈谈使用的基本流程：

（1）首先第一点，打开终端，找到自己想要把scrapy工程创建的路径。这里，我是建立在桌面上的。打开终端，输入：
cd Desktop 就进入了桌面文件存储位置。

Scrapy使用的基本流程与实例讲解

（2）创建scrapy工程。终端输入：scrapy startproject image

Scrapy使用的基本流程与实例讲解

终端输入：cd image

继续输入：scrapy genspider imageSpider pic.netbian.com

<img src="https://cdn.ancii.com/article/image/v1/_T/Uc/Vx/xVUTc_fjCA_1gmlwl1Cmn4hbBhBS0Qq7UWcvKHH3Xazy8mzj8N6vSgiz6mWlMwIP-AKjBQvBxkQMupeDH4c7sXi0DoquT1jmp9Z7kk4uzHKkG1tojNpt646szWwow82o.jpg" title="Scrapy使用的基本流程与实例讲解" alt="Scrapy使用的基本流程与实例讲解" />

（3）在pycharm中打开刚才桌面的文件，进入settings.py设置爬虫规则。可以将规则直接注释掉，或者改为False。

Scrapy使用的基本流程与实例讲解

（4）回到爬虫文件。

Scrapy使用的基本流程与实例讲解

更改start_url,将爬虫默认的第一个网址更改为需要爬取的网站网址即可。

（5）下面就可以爬取数据了，这里选择了下载图片。

爬取完数据之后，要在存储数据的items.py文件中传输给管道

接下来在爬虫文件中引入管道模型。

from ..items import ImageItem

在爬虫文件中的parse函数中使用在items.py文件中创建的数据模型。

item = ImageItem()

注意点：

有时候在终端输出的时候，如果返回内容是scrapy.selector ,如果对象类型是scrapy.selector，那么这个对象可以被继续迭代，也可以用xpath继续寻找里面的内容。

如果终端遇到这个问题：

# ValueError:Missing scheme in request url:h

那么就需要使用extract（）将xpath对象转化成列表对象。而列表对象，可以继续被迭代，但是不可以使用xpath来寻找里面的对象。

在下载之前还需要在settings.py文件中，对图片下载的路径和存储位置进行设置。

Scrapy使用的基本流程与实例讲解

下面附代码如下。仅有爬虫文件的代码：

# -*- coding: utf-8 -*-
import scrapy
from ..items import ImageItem
class ImagespiderSpider(scrapy.Spider):
  name = 'imageSpider'
  allowed_domains = ['pic.netbian.com']
  start_urls = ['http://pic.netbian.com/4kmeinv/']
 
  def parse(self, response):
    img_list = response.xpath('//ul[@class="clearfix"]/li/a/img/@src')
    # 找到了很多src属性值，现在进行遍历，分别使用每一个
    for img in img_list:
      # 使用在items.py中创建的数据模型item
      item = ImageItem()
      print('--------------------')
      img = img.extract()
      # 拼接图片的url，得到完整的下载地址
      src = 'http://pic.netbian.com' +img
      # 将得到的数据放入到模型中
      # 因为是下载地址，所以要用列表包起来，否则会报错。
      item['src'] = [src]
      yield item
    next_url = response.xpath('//div[@class="page"]/a[text()="下一页"]/@href').extract()
    print('*****************************************************************')
    if len(next_url)!=0:
      url = 'http://pic.netbian.com'+next_url[0]
      # 将url传给scrapy.Request 得到的结果继续用self.parse进行处理
      yield scrapy.Request(url=url,callback=self.parse)

scrapy text-align