先看官网上的说明,http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/overview.html
Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
Scrapy是一个非常好用的爬虫框架,它不仅提供了一些开箱即用的基础组件,还提供了强大的自定义功能。
# Scrapy 安装
Scrapy 官网:https://scrapy.org/
各位同学的电脑环境应该和小编的相差不远(如果是使用 win10 的话) 安装过程需要10分钟左右
安装命令:
pip install scrapy
由于 Scrapy 依赖了大量的第三方的包,所以在执行上面的命令后并不会马上就下载 Scrapy ,而是会先不断的下载第三方包,包括并不限于以下几种:
如果安装不成功多试两次 或者 执行pip install --upgrade pip
后再执行 pip install scrapy
等待命令执行完成后,直接输入 scrapy 进行验证。
C:\Users\Administrator>scrapy
Scrapy 2.4.0 - no active project
Available commands:
bench Run quick benchmark test
...
版本号可能会有差别,不用太在意
如果能正常出现以上内容,说明我们已经安装成功了。
理论上 Scrapy 安装出现各种问题才算正常情况
Scrapy 提供了一个命令来创建项目 scrapy 命令,在命令行上运行:
scrapy startproject jianshu
我们创建一个项目jianshu用来爬取简书首页热门文章的所有信息。
jianshu/
scrapy.cfg
jianshu/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
spiders
文件夹下就是你要实现爬虫功能(具体如何爬取数据的代码),爬虫的核心。在spiders文件夹下自己创建一个spider,用于爬取简书首页热门文章。
scrapy.cfg
是项目的配置文件。
settings.py
用于设置请求的参数,使用代理,爬取数据后文件保存等。
items.py
自己预计需要爬取的内容
middlewares.py
自定义中间件的文件
pipelines.py
管道,保持数据
项目的目录就用网图来展示一下吧
cd到Jianshu项目中,生成一个爬虫:
scrapy genspider jianshublog <a rel="external nofollow" href="http://www.jianshu.com/">www.jianshu.com</a>
这种方式生成的是常规爬虫
1)新建jianshuSpider
import scrapy
class JianshublogSpider(scrapy.Spider):
name = 'jianshublog'
allowed_domains = ['www.jianshu.com']
start_urls = ['http://www.jianshu.com/']
def parse(self, response):
pass
可以看到,这个类里面有三个属性 name
、 allowed_domains
、 start_urls
和一个parse()
方法。
name
,它是每个项目唯一的名字,用来区分不同的 Spider。
allowed_domains
,它是允许爬取的域名,如果初始或后续的请求链接不是这个域名下的,则请求链接会被过滤掉。
start_urls
,它包含了 Spider 在启动时爬取的 url 列表,初始请求是由它来定义的。
parse
,它是 Spider 的一个方法。默认情况下,被调用时 start_urls 里面的链接构成的请求完成下载执行后,返回的响应就会作为唯一的参数传递给这个函数。该方法负责解析返回的响应、提取数据或者进一步生成要处理的请求。
到这里我们就清楚了,parse()
方法中的 response 是前面的 start_urls
中链接的爬取结果,所以在 parse() 方法中,我们可以直接对爬取的结果进行解析。
修改USER_AGENT
打开settings.py 添加 UA 头信息
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3493.3 Safari/537.36'
修改`parse`方法解析网页
我们打开简书首页 右键检查(ctrl+shift+I)发现所有的博客头条都放在类名.note-list
.content
的div 节点里面
修改jianshublog.py
代码如下
jianshublog.py
import scrapy
class JianshublogSpider(scrapy.Spider):
name = 'jianshublog'
allowed_domains = ['www.jianshu.com']
start_urls = ['http://www.jianshu.com/']
def parse(self, response):
blogs = response.css('.note-list .content')
# 获取博客列表
for blog in blogs: # 遍历博客列表
title = blog.css('.title::text').extract_first() # 提取标题
link = blog.css('.title::attr(href)').extract_first() # 提取链接
nickname = blog.css('.nickname::text').extract_first() # 提作者
print("标题:",title) # 打印标题
# print("链接:", link)
# print("作者:", nickname)
最后别忘了执行爬虫命令
scrapy crawl jianshublog
整个项目就完成啦
下一讲我们把文章数据爬取出来,存储在csv文件里面
到此这篇关于一文读懂python Scrapy爬虫框架的文章就介绍到这了,更多相关python Scrapy爬虫框架内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客!
标签:scrapy
Powered By python教程网 鲁ICP备18013710号
python博客 - 小白学python最友好的网站!