Python爬虫框架scrapy入门使用记录

1、安装scrapy，pip install scrapy即可
2、新建项目scrapy startproject jdtu，类似django的新建项目方式，建好好目录层级如下

目录层级
ps:其中标红的是我们新建的文件
由于是框架，所以自带了很多的方法，封装了很多的功能，本次用到的只是最皮毛也最常用的部分，如抓取页面，查找标签，下载图片等。
3、新建项目之后如果是django项目是可以直接运行的，但是scrapy直接运行好像会报错，先动手代码吧，文件功能

Item.py--类似对抓取的一个实体（如图片的标题加url加注释）的定义
Middlewares.py--框架内部的东西，暂时没用到
Pipelines.py--框架核心功能之一，对抓取到的item通过管道传递给这个文件内的方法处理（如下载、保存、重命名等）
Settings.py--毫无悬念，总的配置文件，配置爬虫名、是否启用图片管道和文件管道等等
4、写代码之前首先要想好item中的内容
Item.py

    import scrapy
    class JdtuItem(scrapy.Item):
        title = scrapy.Field()
        image_urls = scrapy.Field()

Jdtu_spider.py（新建的爬虫主要文件）

    import scrapy
    from jdtu.items import JdtuItem
    from scrapy.selector import Selector
    
    # start_url中抓取当页二级网址列表，进入二级网址后是按页分隔的图册，所以写了两个Parsel方法进行抓取
    class JdTuSpider(scrapy.spiders.Spider):
        name = "jdtu"
        allowd_domains = ["jingdiantu.com"]
        start_urls = [
                    # "https://www.jingdiantu.com/list-性感美女.html",
                      "https://www.jingdiantu.com/list-网络美女.html",
                      "https://www.jingdiantu.com/list-丝袜美腿.html",
                      ]
    
        num = 1
        # 自定义抓取图册方法
        def MyParse1(self, response):
            item = JdtuItem()
            selector = Selector(response)
            base_url = "https://www.jingdiantu.com"
    
            item['title'] = selector.xpath('//p[@class="imgbox"]/img/@alt').extract()
            item['image_urls'] = selector.xpath('//p[@class="imgbox"]/img/@lazysrc').extract()
            yield item
            # 为避免抓取到下一篇的url直接进入下一个主题图册，添加flag_url以做区分
            next_site = selector.xpath('//div[@class="page"]//a[@class="current"]/following-sibling::a[1]/@href').extract()
            flag_site = selector.xpath('//div[@class="page"]//a[@class="current"]/following-sibling::a[2]/@href').extract()
            # 如果flag存在，说明next_site不是下一篇的URL
            if flag_site:
                yield scrapy.Request("https:" + next_site[0], callback=self.MyParse1)
        # 抓取start_url中本页左右图册URL
        def parse(self, response):
            item = JdtuItem()
            selector = Selector(response)
            base_url = "https://www.jingdiantu.com"
    
            sites = selector.xpath('//div[@class="piclist"]//li//a/@href').extract()
    
            for site in sites:
                site_url = "https:" + site
                yield scrapy.Request(site_url, callback=self.MyParse1)

Pipelines.py

    # -*- coding: utf-8 -*-
    import scrapy
    from scrapy.exceptions import DropItem
    from scrapy.pipelines.images import ImagesPipeline   #内置的图片管道
    # Define your item pipelines here
    #
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
    # from scrapy.pipelines.images import ImagesPipeline
    
    image_store = "/mnt/hgfs/images"
    
    class JdtuPipeline(object):
        def process_item(self, item, spider):
            return item
    
    # 自定义图片下载的管道方法，需settings文件中完成注册才会被使用
    class jdtuPipeline(ImagesPipeline):
        def get_media_requests(self, item, info):
            for image_url in item['image_urls']:
                image_url_f = "https:" + image_url
                # 通过meta将image_url和对应的其在列表中的index位置传递出去，可以在file_path方法中使用
                yield scrapy.Request(image_url_f, meta={'item':item,'index':item['image_urls'].index(image_url)})
        # 处理完item之后调用的方法
        def item_completed(self, results, item, info):
            image_paths = [x['path']for ok, x in results if ok]
            # print("image_path:%s"%image_paths)
            if not image_paths:
                raise DropItem("Item contains no images")
            return item
    
        # file_path方法返回图片保存地址，如full/image.jpg，如需修改保存图片名或增加分级目录可以重写该方法
        def file_path(self, request, response=None, info=None):
            item = request.meta['item']
            index = request.meta['index']
            # 通过get_media_requests方法的meta参数传递的数据可以获取到图片url的title等item自定义数据
            image_new = item['title'][index] + '/' + request.url.split('/')[-1]
            return image_new

Settings.py中需要新增的或修改的行

    # 告诉对方服务器我是浏览器，你别误会
    USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
    # 启用我们自己的管道方法
    ITEM_PIPELINES = {
       'jdtu.pipelines.jdtuPipeline': 1,
    }
    IMAGES_EXPIRES = 30
    IMAGES_STORE = '/mnt/hgfs/images'
    # 缩略图尺寸设置
    IMAGES_THUMBS = {
        'small': (35, 50),
        'big': (155, 200),
    }
    # 图片小于多少不下载
    IMAGES_MIN_HEIGHT = 80
    IMAGES_MIN_WIDTH = 80

到这里其实已经可以运行了。
5、运行项目
a、进入到创建的项目的一级目录，执行：scrapy crawl jdtu命令即可运行。scrapy框架本身会打印很多的日志出来，习惯就好、、（不想习惯的可以去改源码(^▽)）。
只是这种方法很不人性化，又要死记，所以还有另一个更好的方法，见2
b、新建一个main.py文件（文件名随意的）,注意目录层级文件位置，可参考上方截图,里面写如下代码
Main.py

    from scrapy.cmdline import execute
    execute("scrapy crawl jdtu".split())

之后我们只需要进入到main.py所在的目录执行python main.py即可运行项目。
方法b还有一个最大的好处就是方便IDE调试，如pycharm配置等

纯手写，边学边写，转载请注明出处：https://www.jianshu.com/p/ced81607f6c0