在创建新的scrapy爬虫之前，我们需要先了解一下创建一个scrapy爬虫的基本步骤
一、确定要爬取的数据
以爬取豆瓣电影数据为例：
每部电影所要爬取的信息有：
- 片名:《头号玩家》
- 导演: 史蒂文·斯皮尔伯格
- 编剧: 扎克·佩恩 / 恩斯特·克莱恩
- 主演: 泰伊·谢里丹 / 奥利维亚·库克 / 本·门德尔森 / 马克·里朗斯 / 丽娜·维特 / 更多...
- 类型: 动作 / 科幻 / 冒险
所以items文件的代码如下：
#items.py
import scrapy
class DoubanItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
movie_name = scrapy.Field()
movie_dir = scrapy.Field()
movie_editors = scrapy.Field()
movie_actors = scrapy.Field()
movie_type = scrapy.Field()
二、爬取所需的信息
确定了要爬取的信息后，就可以开始写爬虫的代码了。
首先，我们创建一个爬虫文件。
在命令行中输入如下命令（必须在爬虫项目的文件夹里）：
scrapy genspider spidername "domain"
#spidername是要创建的爬虫的名字，必须是唯一的，而且不能和爬虫项目名相同
#domain是要爬取的网站的 host，即你所要爬取的网站的域名,如：www.baidu.com
创建好爬虫文件后，打开爬虫项目下的spiders文件夹，用编辑器打开我们刚刚创建的爬虫文件。
文件里已经定义好了start_urls，这是我们运行爬虫时要访问的链接。
注意这是一个列表，可以放入多个url。
当爬虫运行时就会一个一个地访问 start_urls里的链接，然后将返回的响应做为参数传递给 parse函数。
在 parse函数里，我们可以来对网页中的信息进行提取。
示例只爬取一个页面（头号玩家的详情页），代码如下：
# -*- coding: utf-8 -*-
#movieInfoSpider.py
import scrapy
#导入DouBanItem类
from douban.items import DoubanItem
class MovieinfoSpider(scrapy.Spider):
name = 'movieInfo'
allowed_domains = ['movie.douban.com']
start_urls = ['https://movie.douban.com/subject/4920389/?from=showing']
def parse(self, response):
#创建DoubanItem类
item = DoubanItem()
item['movie_name'] = response.xpath('//title/text()').extract()[0]
item['movie_dir'] = '导演:' + '/'.join(response.xpath('//div[@id="info"]/span[1]/span/a/text()').extract())
item['movie_editors'] = '编剧:' + '/'.join(response.xpath('//div[@id="info"]/span[2]/span/a/text()').extract())
item['movie_actors'] = '主演:' + '/'.join(response.xpath('//div[@id="info"]/span[3]/span/a/text()').extract())
item['movie_type'] = '类型:' + '/'.join(response.xpath('//div[@id="info"]/span[@property=
yield item
提取到所需的信息后，用 yield 关键字将 item传递给 pipelines.py进行进一步的处理
三、对提取到的信息进行储存
pipelines.py文件获得item后将会调用管道函数来对item进行处理，这里我们把电影的信息保存到 txt文件中去，代码如下：
# -*- coding: utf-8 -*-
#pipelines.py
class DoubanPipeline(object):
def __init__(self):
self.fo = open('info.txt', 'wb')
def process_item(self, item, spider):
self.fo.write((item['movie_name'] + '\n').encode('utf-8'))
self.fo.write((item['movie_dir'] + '\n').encode('utf-8'))
self.fo.write((item['movie_editor'] + '\n').encode('utf-8'))
self.fo.write((item['movie_actors'] + '\n').encode('utf-8'))
self.fo.write((item['movie_type'] + '\n').encode('utf-8'))
#这里必须返回item，否则程序会一直等待，直到返回item为止
return item
def close_spider(self, spider):
self.fo.close()
#__init__, 和close_spider 函数相当于c++里的构造函数和析构函数
四、在 setting.py里开启 DoubanPipeline管道
这里只截取部分相关的代码：
# Obey robots.txt rules
#是否遵循网站对爬虫的规则，一般设为False，但默认为True
ROBOTSTXT_OBEY = False
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'douban.pipelines.DoubanPipeline': 300,
}
#设置请求头，模拟浏览器
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'max-age=0',
'Connection': 'keep-alive',
'Cookie': 'bid=uzUipzgnxdY; ll="118267"; __utmc=30149280; __utmz=30149280.1523088054.4.4.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __utmc=223695111; __utmz=223695111.1523088054.1.1.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __yadk_uid=u46EFxFlzD46PvWysMULc80N9s8k2pp4; _vwo_uuid_v2=DC94F00058615E2C6A432CB494EEB894B|64bbcc3ac402b9490e5de18ce3216c5f; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1523092410%2C%22https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DFIqLEYPF6UnylF-ja19vuuKZ51u3u5gGYJHpVJ5MRTO-oLkJ_C84HBgYi5OulPwl%26wd%3D%26eqid%3Dd260482b00005bbb000000055ac87ab2%22%5D; _pk_id.100001.4cf6=cbf515d686eadc0b.1523088053.2.1523092410.1523088087.; _pk_ses.100001.4cf6=*; __utma=30149280.1054682088.1514545233.1523088054.1523092410.5; __utmb=30149280.0.10.1523092410; __utma=223695111.979367240.1523088054.1523088054.1523092410.2; __utmb=223695111.0.10.1523092410',
'Host': 'movie.douban.com',
'Upgrade-Insecure-Requests': '1',
}
五、运行爬虫
进入到爬虫项目的文件夹里执行如下命令：
scrapy crawl movieInfoSpider
总结：scrapy爬虫构建顺序 items.py-->spiders-->pipelines.py-->settings.py
原文： https://blog.csdn.net/qq_40695895/article/details/79842502
