工具环境
语言：python3.6
数据库：MongoDB (安装及运行命令如下)
python3-m pip install pymongobrew install mongodbmongod--config/usr/local/etc/mongod.conf
框架：scrapy1.5.1 (安装命令如下)
python3-m pip install Scrapy
用 scrapy 框架创建一个爬虫项目
在终端执行如下命令，创建一个名为 myspider 的爬虫项目
scrapy startproject myspider
即可得到一个如下结构的文件目录
创建 crawl 样式的爬虫
针对不同的用途， scrapy 提供了不同种类的爬虫类型，分别是
Spider：所有爬虫的祖宗
CrawlSpider：比较常用的爬取整站数据的爬虫（下面的例子就是用这种）
XMLFeedSpider
CSVFeedSpider
SitemapSpider
先在命令行进入到 spiders 目录下
cd myspider/myspider/spiders
然后创建 crawl 类型的爬虫模板
scrapy genspider-t crawl zgmlxc www.zgmlxc.com.cn
参数说明：
-t crawl 指明爬虫的类型
zgmlxc 是我给这个爬虫取的名字
www.zgmlxc.com.cn 是我要爬取的站点
完善小爬虫 zgmlxc
打开 zgmlxc.py 文件，可以看到一个基本的爬虫模板，现在就开始对其进行一系列的配置工作，让这个小爬虫根据我的指令去爬取信息。
配置跟踪页面规则
rules=(//定位到 www.zgmlxc.com.cn/node/72.jspx 这个页面 Rule(LinkExtractor(allow=r'.72\.jspx')),//在上面规定的页面中，寻找符合下面规则的 url,爬取里面的内容，并把获取的信息返回给 parse_item（）函数 Rule(LinkExtractor(allow=r'./info/\d+\.jspx'),callback='parse_item'),)
这里有个小坑，就是最后一个 Rule 后面必须有逗号，否则报错，哈哈哈
rules=(Rule(LinkExtractor(allow=r'./info/\d+\.jspx'),callback='parse_item',follow=True),)
在 items.py 内定义我们需要提取的字段
importscrapyclassCrawlspiderItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()title=scrapy.Field()content=scrapy.Field()piclist=scrapy.Field()shortname=scrapy.Field()
完善 parse_item 函数
这里就是把上一步返回的内容，配置规则，提取我们想要的信息。这里必须用 join 方法，是为了方便后面顺利导入数据库。
defparse_item(self,response):yield{'title':' '.join(response.xpath("//div[@class='head']/h3/text()").get()).strip(),'shortname':' '.join(response.xpath("//div[@class='body']/p/strong/text()").get()).strip(),'piclist':' '.join(response.xpath("//div[@class='body']/p/img/@src").getall()).strip(),'content':' '.join(response.css("div.body").extract()).strip(),}
PS: 下面是提取内容的常用规则，直接总结在这里了：
1). 获取 img 标签中的 src:
//img[@class='photo-large']/@src
2). 获取文章主题内容及排版:
response.css("div.body").extract()
将信息存入 MogoDB 数据库
设置数据库信息
打开 settings.py 添加如下信息：
# 建立爬虫与数据库之间的连接关系ITEM_PIPELINES={'crawlspider.pipelines.MongoDBPipeline':300,}# 设置数据库信息MONGODB_SERVER="localhost"MONGODB_PORT=27017MONGODB_DB='spider_world'MONGODB_COLLECTION='zgmlxc'# 设置文明爬虫, 意思是每个请求之间间歇 5 秒, 对站点友好, 也防止被黑名单```pyDOWNLOAD_DELAY=5
在 piplines.py 中
importpymongofromscrapy.confimportsettingsfromscrapy.exceptionsimportDropItemfromscrapyimportlogclassMongoDBPipeline(object):def__init__(self):connection=pymongo.MongoClient(settings['MONGODB_SERVER'],settings['MONGODB_PORT'])db=connection[settings['MONGODB_DB']]self.collection=db[settings['MONGODB_COLLECTION']]defprocess_item(self,item,spider):valid=Truefordatainitem:ifnotdata:valid=FalseraiseDropItem("Missing {0}!".format(data))ifvalid:self.collection.insert(dict(item))log.msg("Question added to MongoDB database!",level=log.DEBUG,spider=spider)returnitem
在终端运行这个小爬虫
scrapy crawl myspider
在 navicat 中查看信息入库情况
如下图新建一个 MogoDB 的数据库连接，填入上面配置的信息，如果一切顺利， 就可以看到我们想要的信息都已经入库了。
以上就完成了自定义爬虫到数据入库的全过程
更多技术素材视频可加交流群下载：1029344413
