scrapy教程
Scrapy教程-创建第一个简单的爬虫(爬取贴吧)
Scrapy教程-创建第一个简单的爬虫(爬取贴吧)
创建虚拟环境并安装Scrapy
创建leidian的虚拟环境,解释器是python3: mkvirtualenv leidian -p python3
进入你的项目目录后,安装Scrapy:pip install scrapy
安装成功后,pip list查看一下:如下图
流程分析
抓取内容(百度贴吧:网络爬虫吧)
页面: http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
数据:1.帖子标题;2.帖子作者;3.帖子回复数
通过观察页面html代码来帮助我们获得所需的数据内容。
工程建立
在控制台模式下进入你要建立工程的文件夹执行如下命令创建工程:scrapy startproject leidian
框架会自动在当前目录下创建一个leidian的文件夹,工程文件就在里边。
进入leidian文件夹,用tree查看一下项目的原始文件结构,如下图:
原始目录结构文件说明
scrapy.cfg: 项目的配置文件
leidian/: 该项目的python模块。之后您将在此加入代码。
leidian/items.py:需要提取的数据结构定义文件。
leidian/middlewares.py: 是和Scrapy的请求/响应处理相关联的框架。
leidian/pipelines.py: 用来对items里面提取的数据做进一步处理,如保存等。
leidian/settings.py: 项目的配置文件。
leidian/spiders/: 放置spider代码的目录。原始里面只有一个__init__.py文件
实现过程
1、在spiders目录下新建爬虫scrapy genspider myspider 'baidu.com',然后在spider目录下会生成一个myspider.py文件,并添加如下代码:
import scrapy from leidian.items import LeidianItem import sys class MySpider(scrapy.Spider): """ name:scrapy唯一定位实例的属性,必须唯一 allowed_domains:允许爬取的域名列表,不设置表示允许爬取所有 start_urls:起始爬取列表 start_requests:它就是从start_urls中读取链接,然后使用make_requests_from_url生成Request, 这就意味我们可以在start_requests方法中根据我们自己的需求往start_urls中写入 我们自定义的规律的链接 parse:回调函数,处理response并返回处理后的数据和需要跟进的url log:打印日志信息 closed:关闭spider """ # 设置name name = "spidertieba" # 设定域名 allowed_domains = ["baidu.com"] # 填写爬取地址 start_urls = [ "http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8", ] # 编写爬取方法 def parse(self, response): for line in response.xpath('//li[@class=" j_thread_list clearfix"]'): # 初始化item对象保存爬取的信息 item = LeidianItem() # 这部分是爬取部分,使用xpath的方式选择信息,具体方法根据网页结构而定 item['title'] = line.xpath( './/div[contains(@class,"threadlist_title pull_left j_th_tit ")]/a/text()').extract() item['author'] = line.xpath( './/div[contains(@class,"threadlist_author pull_right")]//span[contains(@class,"frs-author-name-wrap")]/a/text()').extract() item['reply'] = line.xpath( './/div[contains(@class,"col2_left j_threadlist_li_left")]/span/text()').extract() yield item
2、在items.py中定义自己要抓取的数据:
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://docs.scrapy.org/en/latest/topics/items.html import scrapy class LeidianItem(scrapy.Item): # 抓取内容:1.帖子标题;2.帖子作者;3.帖子回复数 title = scrapy.Field() author = scrapy.Field() reply = scrapy.Field() pass
【注】上面类中的title、author、reply就像是字典中的“键”,爬到的数据就像似字典中的“值”。
3、在存放items.json的目录下执行命令 scrapy crawl [类中name值]
由于第二步中我们在类MySpider下定义了 name ="spidertieba" ,所以执行命令:scrapy crawl spidertieba -o items.json。 -o 指定文件。 这样我们就会看到此目录下生成了items.json文件
可以用cat items.json查看json的内容
至此,一个scrapy的最简单的应用就完成了。
最后修改:2020年3月28日 06:00