初识Scrapy

一.基本命令

创建项目 scrapy startproject 项目名字
创建爬虫文件 scrapy genspider 文件名 域名
运行爬虫项目 scrapy crawl name属性
查看可运行的爬虫 scrapy list

二.小试牛刀(scrapy.Spider)

全书网

  1. 创建项目
scrapy startproject qsw_spider

2.创建爬虫文件

cd  qsw_spider
scrapy genspider qsw_test www.quanshuwang.com

3.设置字段,,,,,items.py


spider02.png
import scrapy
class QswSpiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    author = scrapy.Field()
    context = scrapy.Field()
    link_url = scrapy.Field()

4.编写爬虫文件,,,qsw_test.py


spider01.png
# -*- coding: utf-8 -*-
import scrapy
from ..items import QswSpiderItem

class QswTestSpider(scrapy.Spider):
    name = 'qsw_test'
    # allowed_domains = ['www.quanshuwang.com']
    start_urls = ['http://www.quanshuwang.com/list/1_1.html']
    def parse(self, response):
        '''
        解析网页
        :param response:
        :return:
        '''
        link_url_list = response.xpath(r'//ul[@class="seeWell cf"]/li/a/@href').extract()
        title_list = response.xpath(r'//ul[@class="seeWell cf"]/li/span/a[@target="_blank"]/text()').extract()
        author_list = response.xpath(r'//ul[@class="seeWell cf"]/li/span/a[2]/text()').extract()
        context_list = response.xpath(r'//ul[@class="seeWell cf"]/li/span/em/text()').extract()

        for title,author,context,link_url in zip(title_list,author_list,context_list,link_url_list):
            items = QswSpiderItem()
            items['title']= title
            items['author']= author
            items['context']= context
            items['link_url']= link_url
            yield items

        next_url = response.xpath('//div[@class="pages"]/div[@class="pagelink"]/a[@class="next"]/@href').extract()
        if next_url:
            yield scrapy.Request(next_url[0], callback=self.parse)

5.设置管道,,,pipelines.py


spider03.png
class QswSpidertestPipeline(object):
    def __init__(self):
        self.fa = open('result.json','w+',encoding='utf-8')
    def process_item(self, item, spider):
        self.fa.write(str(item)+'\r\n')
        return item
    def close_spider(self,spider):
        self.fa.close()
  1. 激活 管道,,,,settings.py
ITEM_PIPELINES = {
   'qsw_spider.pipelines.QswSpidertestPipeline': 300,
}
  1. 运行爬虫
scrapy crawl  qsw_test

三.另一个爬虫(CrawlSpider)

简书,需要设置UA,打开settings.py

DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
   'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0',
}
  1. 创建文件


    spider01.png
cd/d D:\Python_scrapy_test\spider_qsw\qsw_spider>
#创建CrawlSpider爬虫文件
scrapy genspider -t crawl js jianshu.com

2.设置需要的字段 items.py


spider04.png
class JianshuItem(scrapy.Item):
    title = scrapy.Field()
    url = scrapy.Field()
    author = scrapy.Field()
    pub_time = scrapy.Field()
    read_count = scrapy.Field()
    word_count = scrapy.Field()
  1. 编写爬虫文件 js.py


    spider02.png
spider03.png
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class JsSpider(CrawlSpider):
    name = 'js'
    # allowed_domains = ['jianshu.com']
    start_urls = ['https://www.jianshu.com/']

    rules = (
        Rule(LinkExtractor(allow=r'https://www.jianshu.com/p/.*?'), callback='parse_item', follow=True),  #简书后面的是uid,匹配uid即可
    )

    def parse_item(self, response):
        item = {}
        #item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
        #item['name'] = response.xpath('//div[@id="name"]').get()
        #item['description'] = response.xpath('//div[@id="description"]').get()
        item['title'] = response.xpath(r'//h1[@class="_1RuRku"]/text()').extract_first()
        item['author'] = response.xpath(r'//span[@class="_22gUMi"]/text()').extract_first()
        item['pub_time'] = response.xpath(r'//time/text()').extract_first()
        item['url'] = response.url
        count = response.xpath(r'//div[@class="s-dsoj"]/span[2]/text()').extract_first()
        if '字数' in count:
            item['word_count'] = count.split(' ')[-1]
            item['read_count'] = response.xpath(r'//div[@class="s-dsoj"]/span[3]/text()').extract_first().split(' ')[-1]
        elif '阅读' in count:
            item['read_count'] = count.split(' ')[-1]
            item['word_count'] = response.xpath(r'//div[@class="s-dsoj"]/span[1]/text()').extract_first().split(' ')[-1]
        yield item
  1. 设置管道,,,pipelines.py


    spider05.png
class JianShuPipeline(object):
    def __init__(self):
        self.f = open('result_jianshu.json','w+',encoding='utf-8')
    def process_item(self, item, spider):
        self.f.write(str(item)+'\r\n')
        return item
    def close_spider(self,spider):
        self.f.close()

5.激活简书管道 settings.py


spider06.png
ITEM_PIPELINES = {
   'qsw_spider.pipelines.JianShuPipeline': 301,
}
  1. 运行爬虫
scrapy crawl  js
  1. 效果图


    spider07.png
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,444评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,421评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,036评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,363评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,460评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,502评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,511评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,280评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,736评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,014评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,190评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,848评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,531评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,159评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,411评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,067评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,078评论 2 352