新手爬虫之创建第一个完整的scrapy项目

创建第一个scrapy工程-糗事百科

最近不少小伙伴儿，问我关于scrapy如何设置headers的问题，时间久了不怎么用，还真有的忘，全靠记忆去写了，为了方便大家参考，也方便我以后的查阅，这篇文章就诞生了。本章内容从实战出发让我们熟悉如何用scrapy写爬虫，本篇内容主要是实战，不讲述过多的理论性东西，因为讲多了我也不知道。

明确目标

首先，我们要明确我们的爬虫最终的目的是什么，这里我们要做的是爬取糗事百科的热门分类的前10页信息。包括发布者和内容，因为入门教程所以我们写的简单点主要是熟悉这个过程，这个如何入手呢？

分析链接的变化

一般我们会通过点击下一页，然后观察地址栏的信息来总结规律。

第一页也就是首页地址为：https://www.qiushibaike.com/

我们点击下一页可以发现第二页的的连接为：https://www.qiushibaike.com/8hr/page/2/

第三页：https://www.qiushibaike.com/8hr/page/3/

。。。以此类推第十页的连接为：https://www.qiushibaike.com/8hr/page/10/

由此我们发现规律，从第二页开始连接可以用https://www.qiushibaike.com/8hr/page/页数/来表示，有时候我比较喜欢试探，怎么说呢，我们知道这个规律是从第二页开始的，但是第一页是没有这个规律，但是我们不防试一试把第一页的https://www.qiushibaike.com/改为https://www.qiushibaike.com/8hr/page/1/。然后我们访问看看ok可以正常显示。

于是我们就确定了链接，也就是页数改为1-10就可以访问相应的页数了。

安装scrapy

我们要确保正确安装好了scrapy

针对mac和linux直接运行pip安装即可。

但是windows的坑就比较多了，关于windows的安装请参考我之前写的这篇文章

:https://www.cnblogs.com/c-x-a/p/8996716.html。这里就不多说了。

创建scrapy工程

好了下面我们开始创建工程首先我们使用scrapy的第一个命令startproject，

使用方法：scrapy startproject xxx xxx就是你的项目名，这里我们给我们的项目起名qiushibaile。

然后我们会发现了多了一个文件名为qiushibaike的文件夹

然后我们通过命令创建一个事例工程

进入qiushibaikle

然后用下面scrapy的第二个命令genspider

使用方法 scrapy genspider spider_name domain

spider_name就是爬虫的名字，每一个爬虫有一个名字这个名字是唯一的，后面运行的时候也是通过这个名字来运行的，下面的qsbk就是我们的爬虫名字，domain指定爬虫的域也就是爬虫的范围。查找网页我们发现域名为

看到以下命令证明我们成功的创建了项目。

开始编写spider文件

我们这里使用pycharm把我们的爬虫工程加载进来。

目录结构如下

（注意：run.py是我后期自己添加的一个爬虫入口文件）

修改settings.py文件

无视robots协议，将

改为

修改spider.py

我们先来看看我们访问的网页源码对不对。

把qsbk.py 改为

创建入口文件运行

在项目的根目录下创建一个run.py 来运行我们的工程

run.py的内容如下

运行以后我们发现一堆红色的信息，这些都是scrapy 的日志内容，我们注意找是否有黑色字体的内容，一般print出来的内容是黑色字体和含有error的信息，以此了解我们的爬虫哪个地方出错了，

我们找到了error关键字，可以得知我们的爬虫出错了

按照提示可以知道链接被关闭访问失败了，这种情况下我们就被反爬了，常见的应对措施是修改headers头，下面我们就通过修改中间件来修改headers。

修改中间件加入headers信息

首先修改middlewares.py

然后在settings启用我们的中间件和设定MY_USER_AGENT的值：

然后我们再次运行,run.py文件。

再次运行

我们成功获取了源码，

。然后我们就需要进行解析内容了。

解析网页中所需要的内容

因为这10页的结构是类似的我们就拿第一页为例：

在这里我们使用的解析方法为xpath，通过xpath可以解析出我们需要的内容，

打开谷歌浏览器的开发者工具，首先通过Elements模块获取当前页所有内容的大概区域我们可以写这样的一个xpath。

然后我们发现一页25个内容，然后再去在每个内容里进行查找当前的标题和内容。

在qsbk.py文件的parse方法里加入这段内容

修改scrapy的日志显示等级方便查看

前面运行过程中我们发现scrapy的日志信息非常的多，不容易找到我们想要的内容，这个时候我们可以通过修改settings.py文件通过修改log的等级，只显示指定类型的log，打开settings.py我们加上下面的一句来设定log的等级为error

也就是只有错误的时候才显示scrapy的log信息。

然后再次运行，看到了我们我们需要的内容发布者和发布内容。

得到了这些我们现在只是打印了下，下面我们就来说如何存储

保存结果到mongodb

mongodb是一个key-value型的数据库，使用起来简单，数据结构是键值对类型，在存储过程中如果表不存在就会创建一个新的表。

下面我们开始来存储我们的数据。

构造数据

因为我们需要接收一个键值对类型的数据，一般用dict，所以我们将代码改成如下形式。qsbk.py文件新增内容：

上面我们构造出了我们需要存储的数据，然后通过yield传递到存储部分，

下一步我们就要开始创建mongo连接的部分了。

创建mongo连接文件

把pipelines.py 文件改为

然后修改settings.py,首先添加mongo的几个连接参数

然后打开pipe通道

运行查看数据

我这里用的adminmongo，打开adminmogo连接数据库，可以看到我们数据已经存在了。

结语

到此为止，我们一个简单完整的scrapy小项目就完成了。 为了方便查看代码已经上传git：https://github.com/muzico425/qsbk.git

更多爬虫学习以及python技巧，请关注公众号：python学习开发。

如果您喜欢我的文章不防动动小手转发一波，谢谢。