Python学习---爬虫学习[scrapy框架初识]

Scrapy

Scrapy是一个框架，可以帮助我们进行创建项目，运行项目，可以帮我们下载，解析网页，同时支持cookies和自定义其他功能。

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

【更多参考】http://www.cnblogs.com/wupeiqi/articles/6229292.html

scrapy框架介绍以及安装

 Linux
        pip3 install scrapy
    Windows
        1.  pip3 install wheel
          1-1安装Twisted
            a. http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted, 下载：Twisted-17.1.0-cp35-cp35m-win_amd64.whl
            b. 进入文件所在目录
            c. pip3 install Twisted-17.1.0-cp35-cp35m-win_amd64.whl
        2.  pip3 install scrapy
        3.  windows上scrapy依赖 https://sourceforge.net/projects/pywin32/files/

创建一个scrapy工程：

创建一个scrapy工程：

scrapy startproject scy

scrapy genspider baidu baidu.com

baidu.py里面的内容

response.text可以打印具体的内容

scrapy crawl baidu

scrapy crawl baidu  --nolog   [不打印日志]

修改settting.py 让spider不去访问robot.txt文件

附： 查看spider文件的其他模板

scrapy genspider --list

项目结构以及爬虫应用简介

文件说明：

· scrapy.cfg  项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）

· items.py    设置数据存储模板，用于结构化数据，如：Django的Model

· pipelines    数据处理行为，如：一般结构化的数据持久化

· settings.py 配置文件，如：递归的层数、并发数，延迟下载等

· spiders      爬虫目录，如：创建文件，编写爬虫规则

爬取笑话网

# -*- coding: utf-8 -*-
import scrapy
from scrapy.selector import HtmlXPathSelector
from scrapy.http import Request
class XiaohuarSpider(scrapy.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = ['http://www.xiaohuar.com/list-1-0.html']

    visited_set = set()
    def parse(self, response):
        self.visited_set.add(response.url)
        # 1. 当前页面的所有校花爬下来
        # 获取div并且属性为 class=item masonry_brick
        hxs = HtmlXPathSelector(response)
        item_list = hxs.select('//div[@class="item masonry_brick"]')
        for item in item_list:
            v = item.select('.//span[@class="price"]/text()').extract_first()
            print(v)

        # 2. 在当前页中获取 http://www.xiaohuar.com/list-1-\d+.html，
        # page_list = hxs.select('//a[@href="http://www.xiaohuar.com/list-1-1.html"]')
        page_list = hxs.select('//a[re:test(@href,"http://www.xiaohuar.com/list-1-\d+.html")]/@href').extract()
        for url in page_list:
            if url in self.visited_set:
                pass
            else:
                obj = Request(url=url,method='GET',callback=self.parse)
                yield obj

view-source:  http://www.521609.com/daxuexiaohua/

Django和scrapy框架的小对比

Django和scrapy框架的小对比

########## scrapy ##########
Django
	django-admin startproject mysite  # 创建Django工程
	cd mysite
	python3 namage.py startapp app01
	python3 namage.py startapp app02
scrapy
	scrapy startproject scy          # 创建scrapy工程
	cd scy
	scrapy genspider chouti chouti.com
	scrapy crawl 名字 --nolog