Scrapy框架的简单使用：
网络爬虫，是在网上进行数据抓取的程序，使用它能够抓取特定网页的HTML数据。虽然我们利用一些库开发一个爬虫程序，但是使用框架可以大大提高效率，缩短开发时间。Scrapy使用Python编写，轻量级的，简单轻巧，并且使用起来非常的方便。使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。
image
下面我们来通过一个很简单的例子来介绍Scrapy框架的使用
进群：700341555获取Python爬虫学习资料！
我们要爬的网址是：搜读网： http://www.sodu.cc
我喜欢在这个网站看小说，里面的小说内容还是比较丰富的，推荐读者喜欢看小说的可以来看看。
因为只是简单介绍，所以我只准备抓取小说的标题。
好的，基本流程既然确定了，那接下来就一步一步的完成就可以了。
步骤一： 创建一个工程和Spider模板
我们先用命令行创建一个Scrapy工程：
$ scrapy startproject soudu
接着，我们进入到工程目录：
$ cd soudu
我们来看一下目录结构：
tree# OUT:.├── soudu #外层目录│ ├── __init__.py #初始化脚本 │ ├── __pycache__ #Python缓存文件。暂时无视│ ├── items.py #Items代码模板，继承类自scrapy.Item│ ├── middlewares.py #Middlewares代码模板(继承类)│ ├── pipelines.py #Pipelines代码模板(继承类)│ ├── settings.py #Scrapy爬虫的配置文件│ └── spiders #Spiders代码模板目录 我们写爬虫的地方│ ├── __init__.py│ └── __pycache__└── scrapy.cfg #部署爬虫的配置文件
4 directories, 7 files
最后，我们用命令行创建第一个Spider：
$ scrapy genspider title www.sodu.cc
这样我们就创建了一个名为title的爬虫了。
我们来看看他长什么样，打开/spiders/title.py:
# -*- coding: utf-8 -*-import scrapyclass NewsSpider(scrapy.Spider): name = 'title' allowed_domains = ['www.sodu.cc'] start_urls = ['http://www.sodu.cc/'] def parse(self, response): pass
可以看到，Scrapy已经帮我们把爬虫的框架写好了，我们只要在这个框架的基础上进行进一步的定制就可以了。
步骤二：编写Spider 我们来着手定制我们的爬虫吧：
看一下详细的注释
# -*- coding: utf-8 -*-import scrapy# 将我们需要爬的项目引入进来from soudu.items import SouduItemclass DemoSpider(scrapy.Spider): #该爬虫的名字 name = "title" #规定爬虫爬取网页的域名 allowed_domains = ['www.sodu.cc'] #开始爬取的url链接 start_urls = ['http://www.sodu.cc/'] def parse(self, response): ''' parse()函数接收Response参数，就是网页爬取后返回的数据 用于处理响应，他负责解析爬取的内容 生成解析结果的字典，并返回新的需要爬取的请求 ''' #由于是demo 我们不做完全的功能， #只要求爬取出第一部小说的名字 #xpath规则可以通过查看网页源文件得出，chrome右键检查定位到所要爬取的内容 name = response.xpath('//a[@onclick="getpage(this)"]/text()').extract()[0] #建立一个items字典，用于保存我们爬到的结果，并返回给pipline处理 items = {} items['第一部小说名']= name return items
步骤三：编写Item Pipeline 首先我们编写itmes.py来定义这个爬虫框架需要爬哪些内容：
# -*- coding: utf-8 -*-# Define here the models for your scraped items## See documentation in:# https://doc.scrapy.org/en/latest/topics/items.htmlimport scrapyclass SouduItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() name = scrapy.Field()
接着我们编写 piplines.py来处理spider爬到的内容：
# -*- coding: utf-8 -*-# Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.htmlclass ZimukuPipeline(object): def process_item(self, item, spider): # 因为是最简单的，所以我们把爬到的结果打印一下 print(item) return item
步骤四：优化配置Settings.py
# -*- coding: utf-8 -*-# Scrapy settings for soudu project## For simplicity, this file contains only settings considered important or# commonly used. You can find more settings consulting the documentation:## https://doc.scrapy.org/en/latest/topics/settings.html# https://doc.scrapy.org/en/latest/topics/downloader-middleware.html# https://doc.scrapy.org/en/latest/topics/spider-middleware.htmlBOT_NAME = 'soudu'SPIDER_MODULES = ['soudu.spiders']NEWSPIDER_MODULE = 'soudu.spiders'# Crawl responsibly by identifying yourself (and your website) on the user-agent#USER_AGENT = 'soudu (+http://www.yourdomain.com)'# Obey robots.txt rulesROBOTSTXT_OBEY = True#只增加了这一行，通过配置告诉Scrapy明白是谁来处理结果ITEM_PIPELINES = { 'soudu.pipelines.SouduPipeline': 300,}
好了，这样一个爬虫就算完成了，那怎么获取爬到的结果呢？？？
首先我们通过命令来执行爬虫：
$ scrapy crawl title
让我们这个最最简单的爬虫跑起来。
来看一下结果：
我只截取部分我们需要的内容，其他的我且暂不写出了：
2018-08-03 19:31:53 [scrapy.core.scraper] DEBUG: Scraped from <200 http://www.sodu.cc/>{'第一部小说名': '圣墟'}
是不是可以看到我们需要找到的内容了？？？？
Scrapy框架的基本使用已经说完了，以后我会一步一步来讲解其他的例子！
网友评论