爬虫——scrapy入门

py3study

发布于 2020-01-19 07:24:57

58000

代码可运行

文章被收录于专栏：python3python3

运行总次数：0

代码可运行

scrapy

安装scrapy

pip install scrapy

windows可能安装失败，需要先安装c++库或twisted，pip install twisted

创建项目

scrapy startproject tutorial

该命令将会创建包含下列内容的 tutorial 目录:

tutorial/
    scrapy.cfg
    tutorial/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

    scrapy.cfg: 项目的配置文件
    tutorial/: 该项目的python模块。之后您将在此加入代码。
    tutorial/items.py: 项目中的item文件.
    tutorial/pipelines.py: 项目中的pipelines文件.
    tutorial/settings.py: 项目的设置文件.
    tutorial/spiders/: 放置spider代码的目录.

编写第一个爬虫

为了创建一个Spider，您必须继承 scrapy.Spider 类，定义以下三个属性
scrapy genspider dmoz dmoz.com 终端命令可以直接完成这步操作

属性
- name: 用于区别Spider。该名字必须是唯一的，您不可以为不同的Spider设定相同的名字
- start_urls: 包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取
- parse() 是spider的一个方法。被调用时，每个初始URL完成下载后生成的
- Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象

 1 import scrapy
 2 
 3 class DmozSpider(scrapy.Spider):
 4     name = "dmoz"
 5     allowed_domains = ["dmoz.org"]
 6     start_urls = [
 7         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
 8         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
 9     ]
10 
11     def parse(self, response):
12         filename = response.url.split("/")[-2]
13         with open(filename, 'wb') as f:
14             f.write(response.body)

爬取

scrapy crawl dmoz

过程：Scrapy为Spider的 start_urls 属性中的每个URL创建了 scrapy.Request 对象，并将 parse 方法作为回调函数(callback)赋值给了Request；Request对象经过调度，执行生成 scrapy.http.Response 对象并送回给spider parse() 方法。

    xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表 。
    css(): 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表.
    extract(): 序列化该节点为unicode字符串并返回list。
    re(): 根据传入的正则表达式对数据进行提取，返回unicode字符串list列表。

scrapy shell

scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

response
- response.body：包体
- response.headers：包头
- response.xpath()：xpath选择器
- response.css()：css选择器

 1 import scrapy
 2 
 3 class DmozSpider(scrapy.Spider):
 4     name = "dmoz"
 5     allowed_domains = ["dmoz.org"]
 6     start_urls = [
 7         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
 8         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
 9     ]
10 
11     def parse(self, response):
12         for sel in response.xpath('//ul/li'):
13             title = sel.xpath('a/text()').extract()
14             link = sel.xpath('a/@href').extract()
15             desc = sel.xpath('text()').extract()
16             print title, link, desc