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 mySpider
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： 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)- 打开mySpider目录下的items.py
- Item 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ItcastItem 类，和构建item模型（model）。
import scrapy
class ItcastItem(scrapy.Item):
name = scrapy.Field() level = scrapy.Field() info = scrapy.Field()
三、制作爬虫 （spiders/itcastSpider.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itcast的爬虫，并指定爬取域的范围： scrapy genspider itcast "itcast.cn" 打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码: import scrapyclass ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( 'http://www.itcast.cn/', ) def parse(self, response): pass
其实也可以由我们自行创建itcast.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。 allow_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.itcast.cn/channel/teacher.shtml",)
修改parse()方法 def parse(self, response): filename = "teacher.html" open(filename, 'w').write(response.body)
然后运行一下看看，在mySpider目录下执行： scrapy crawl itcast
是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用 scrapy genspider命令的唯一爬虫名。 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 teacher.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。 **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 sysreload(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...(祝大家早日拥抱Python3) 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： <div class="li_txt"> <h3> xxx </h3> <h4> xxxxx </h4> <p> xxxxxxxx </p>
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ItcastItem类。 这里引入进来 from mySpider.items import ItcastItem
然后将我们得到的数据封装到一个 ItcastItem 对象中，可以保存每个老师的属性： from mySpider.items import ItcastItemdef parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 将我们得到的数据封装到一个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最后数据 return items我们暂时先不处理管道，后面会详细介绍。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 itcast -o teachers.json
json lines格式，默认为Unicode编码 scrapy crawl itcast -o teachers.jsonl
csv 逗号表达式，可用Excel打开 scrapy crawl itcast -o teachers.csv
xml格式 scrapy crawl itcast -o teachers.xml
思考 如果将代码改成下面形式，结果完全一样。 请思考 yield 在这里的作用： from mySpider.items import ItcastItemdef parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 #items = [] for each in response.xpath("//div[@class='li_txt']"): # 将我们得到的数据封装到一个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] #items.append(item) #将获取的数据交给pipelines yield item # 返回数据，不经过pipeline #return items
以上只是我们scrapy爬虫简单的三步骤，更深层次的爬虫技术需要我们学习更多。我们需要更多的数据需要学习更深的技术，但正因为如此，反爬虫的技术也层出不穷，像时间限制、IP限制、验证码限制等等，都可能会导致爬虫无法进行。所以一些反爬策略是必须要做的，像ip限制我们可以通过选择代理商提供高质量代理来解决，亿牛云爬虫代理加强版或优质代理都是很好的选择。
| 
|Archiver|手机版|小黑屋|IT帮社区
( 冀ICP备19002104号-2 )
发表于 2020-7-7 17:10:52
