scrapy爬虫框架入门实例（一）

时间：2023-12-30 15:51:26

流程分析

抓取内容（百度贴吧：网络爬虫吧） 
页面： http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8  
数据：1.帖子标题；2.帖子作者；3.帖子回复数
通过观察页面html代码来帮助我们获得所需的数据内容。

【注】scrapy的安装请参考 ： http://blog.csdn.net/zjiang1994/article/details/52689144   

一、工程建立

在控制台模式下进入你要建立工程的文件夹执行如下命令创建工程：

scrapy startproject hellospider     
这里的scrapytest是工程名，框架会自动在当前目录下创建一个同名的文件夹，工程文件就在里边。
（如果你用过django就会发现这一幕何其相似）。
我的创建过程：
  scrapy爬虫框架入门实例（一）
我们先看一下目录结构：
  scrapy爬虫框架入门实例（一）
scrapy.cfg: 项目的配置文件
hellospider/: 该项目的python模块。之后您将在此加入代码。
hellospider/items.py:需要提取的数据结构定义文件。
hellospider/middlewares.py: 是和Scrapy的请求/响应处理相关联的框架。
hellospider/pipelines.py: 用来对items里面提取的数据做进一步处理，如保存等。
hellospider/settings.py: 项目的配置文件。
hellospider/spiders/: 放置spider代码的目录。

二、实现过程

1、在items.py中定义自己要抓取的数据：

import scrapy

class DetailItem(scrapy.Item):

    # 抓取内容：1.帖子标题；2.帖子作者；3.帖子回复数

    title = scrapy.Field()

    author = scrapy.Field()

    reply = scrapy.Field()
【注】上面类中的title、author、reply就像是字典中的“键”，爬到的数据就像似字典中的“值”。

2、然后在spiders目录下编辑myspider.py那个文件：

import scrapy

from hellospider.items import DetailItem

import sys

class MySpider(scrapy.Spider):

    """

    name:scrapy唯一定位实例的属性，必须唯一

    allowed_domains：允许爬取的域名列表，不设置表示允许爬取所有

    start_urls：起始爬取列表

    start_requests：它就是从start_urls中读取链接，然后使用make_requests_from_url生成Request，

                    这就意味我们可以在start_requests方法中根据我们自己的需求往start_urls中写入

                    我们自定义的规律的链接

    parse：回调函数，处理response并返回处理后的数据和需要跟进的url

    log：打印日志信息

    closed：关闭spider

    """

    # 设置name

    name = "spidertieba"

    # 设定域名

    allowed_domains = ["baidu.com"]

    # 填写爬取地址

    start_urls = [

        "http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8",

    ]

    # 编写爬取方法

    def parse(self, response):

        for line in response.xpath('//li[@class=" j_thread_list clearfix"]'):

            # 初始化item对象保存爬取的信息

            item = DetailItem()

            # 这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定

            item['title'] = line.xpath('.//div[contains(@class,"threadlist_title pull_left j_th_tit ")]/a/text()').extract()

            item['author'] = line.xpath('.//div[contains(@class,"threadlist_author pull_right")]//span[contains(@class,"frs-author-name-wrap")]/a/text()').extract()

            item['reply'] = line.xpath('.//div[contains(@class,"col2_left j_threadlist_li_left")]/span/text()').extract()

            yield item

【注】xpath语法可参考：http://www.w3school.com.cn/xpath/xpath_syntax.asp

【注】：我们可以通过命令进入scrapy shell：
           scrapy shell http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
来方便的查看我们xpath代码所获得的结果，以便调试。
scrapy爬虫框架入门实例（一）

scrapy爬虫框架入门实例（一）

scrapy爬虫框架入门实例（一）

3、执行命令 scrapy crawl [类中name值]

scrapy爬虫框架入门实例（一）
 由于第二步中我们在类MySpider下定义了 name ="spidertieba" ，所以执行命令：scrapy crawl spidertieba -o items.json。 -o  指定文件。
这样我们就会看到此目录下生成了items.json文件
scrapy爬虫框架入门实例（一）
 items.json文件的内容就是要爬取的内容。
简单查看一下：
#!/usr/bin/env python

# Version = 3.5.2

# __auth__ = '无名小妖'

import json

with open('hellospider/items.json') as f:

    rownum = 0

    new_list = json.load(f)

    for i in new_list:

        rownum += 1

        print("""line{}:  title:{},  author:{},  reply:{}.""".format(rownum,

                                                      i['title'][0],

                                                      i['author'][0],

                                                      i['reply'][0]))
部分结果截图：
scrapy爬虫框架入门实例（一）

至此，scrapy的最简单的应用就完成了。

后续还会有更复杂的爬虫示例，敬请关注！

相关文章