Scrapy1.6 爬虫框架1 安装

网络爬虫：是一种自动爬取网站内容信息的程序，被广泛运用于搜索引擎和数据挖掘等领域。
网络爬虫的基本执行流程：下载页面 - 提取页面中的数据 - 提取页面中的链接
Scrapy：是一个由Python语言编写的开源的网络爬虫框架，特点：使用简单，跨平台，灵活易拓展等。

安装

本机环境 Mac 10.14, Python3
pip3 install scrapy
安装成功后 scrapy -h 查看包含的命令

安装过程中出现了一堆error: unknown type name 'uint64_t' 错误
网上搜索 sudo mv /usr/local/include /usr/local/include_old
重新执行安装命令，安装成功后再恢复即可

image.png

创建一个项目
scrapy startproject tutorial

会生成以下文件

tutorial/
    scrapy.cfg            # deploy configuration file
    tutorial/             # project's Python module, you'll import your code from here
        __init__.py
        items.py          # project items definition file
        middlewares.py    # project middlewares file
        pipelines.py      # project pipelines file
        settings.py       # project settings file
        spiders/          # a directory where you'll later put your spiders
            __init__.py

编写第一个爬虫

其实就是写一个类
创建文件 quotes_spider.py 放到 tutorial/spiders 目录

import scrapy

class QuotesSpider(scrapy.Spider):
   # 爬虫名，唯一标示，会在命令行中用到
    name = "quotes"

    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)

来到项目的根目录，执行scrapy crawl quotes
显示过程

image.png

结果：发现多出了两个 html 文件，等于我们把网页抓取下来了。

参考：https://docs.scrapy.org/en/1.6/intro/tutorial.html