当前位置:

首页 > 编程开发 > python爬虫 >

Python爬虫基础讲解（二十四）：第一个scrapy爬虫

项目需求

在专门供爬虫初学者训练爬虫技术的网站（http://quotes.toscrape.com)上爬取名言警句。

创建项目

在开始爬取之前，必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令:

(base) λ scrapy startproject quotes
New scrapy project 'quotes '， using template directory 'd: \anaconda3\lib\site-packages\scrapy\temp1ates\project ', created in:
    D:\XXX
You can start your first spider with :
    cd quotes
    scrapy genspider example example. com

首先切换到新建的爬虫项目目录下，也就是/quotes目录下。然后执行创建爬虫文件的命令:

D:\XXX(master)
(base) λ cd quotes\
  
D:\XXX\quotes (master)
(base) λ scrapy genspider quotes quotes.com
cannot create a spider with the same name as your project

D :\XXX\quotes (master)
(base) λ scrapy genspider quote quotes.com
created spider 'quote' using template 'basic' in module:quotes.spiders.quote

该命令将会创建包含下列内容的quotes目录:

robots.txt

robots协议也叫robots.txt(统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的网络蜘蛛，此网站中的哪些内容是不应被搜索引擎的爬虫获取的，哪些是可以被爬虫获取的。

robots协议并不是一个规范，而只是约定俗成的。

#filename : settings.py
#obey robots.txt rules
ROBOTSTXT__OBEY = False

分析页面

编写爬虫程序之前，首先需要对待爬取的页面进行分析，主流的浏览器中都带有分析页面的工具或插件，这里我们选用Chrome浏览器的开发者工具(Tools→Developer tools）分析页面。

数据信息

在Chrome浏览器中打开页面http://lquotes.toscrape.com，然后选择"Elements"，查看其HTML代码。

可以看到每一个标签都包裹在

编写spider

分析完页面后，接下来编写爬虫。在Scrapy中编写一个爬虫，在scrapy.Spider中编写代码Spider是用户编写用于从单个网站(或者-些网站)爬取数据的类。

其包含了-个用于下载的初始URL,如何跟进网页中的链接以及如何分析页面中的内容，提取生成item的方法。

为了创建一个Spider, 您必须继承scrapy.Spider类，且定义以下三个属性:

name:用于区别Spider。该名字必须是唯一-的, 您不可以为不同的Spider设定相同的名字。
start _urls:包含了Spider在启动时进行爬取的ur列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。
parse():是spider的一一个方法。被调用时，每个初始URL完成下载后生成的Response对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL 的Request对象。

import scrapy

class QuoteSpi der(scrapy . Spider):
    name ='quote'
    allowed_ domains = [' quotes. com ']
    start_ urls = ['http://quotes . toscrape . com/']
    
    def parse(self， response) :
        pass

下面对quote的实现做简单说明。

scrapy.spider :爬虫基类，每个其他的spider必须继承自该类(包括Scrapy自带的其他spider以及您自己编写的spider)。
name是爬虫的名字，是在genspider的时候指定的。
allowed_domains是爬虫能抓取的域名，爬虫只能在这个域名下抓取网页，可以不写。
start_ur1s是Scrapy抓取的网站，是可迭代类型，当然如果有多个网页，列表中写入多个网址即可，常用列表推导式的形式。
parse称为回调函数，该方法中的response就是start_urls 网址发出请求后得到的响应。当然也可以指定其他函数来接收响应。一个页面解析函数通常需要完成以下两个任务:
1.提取页面中的数据(re、XPath、CSS选择器)
2.提取页面中的链接，并产生对链接页面的下载请求。
页面解析函数通常被实现成一个生成器函数，每一项从页面中提取的数据以及每一个对链接页面的下载请求都由yield语句提交给Scrapy引擎。

解析数据

import scrapy

def parse(se1f，response) :
    quotes = response.css('.quote ')
    for quote in quotes:
        text = quote.css( '.text: :text ' ).extract_first()
        auth = quote.css( '.author : :text ' ).extract_first()
        tages = quote.css('.tags a: :text' ).extract()
        yield dict(text=text，auth=auth，tages=tages)

重点：

response.css(直接使用css语法即可提取响应中的数据。
start_ur1s 中可以写多个网址，以列表格式分割开即可。
extract()是提取css对象中的数据，提取出来以后是列表，否则是个对象。并且对于
extract_first()是提取第一个

运行爬虫

在/quotes目录下运行scrapycrawlquotes即可运行爬虫项目。
运行爬虫之后发生了什么?

Scrapy为Spider的start_urls属性中的每个URL创建了scrapy.Request对象，并将parse方法作为回调函数(callback)赋值给了Request。

Request对象经过调度，执行生成scrapy.http.Response对象并送回给spider parse()方法进行处理。

完成代码后，运行爬虫爬取数据，在shell中执行scrapy crawl <SPIDER_NAME>命令运行爬虫'quote',并将爬取的数据存储到csv文件中:

(base) λ scrapy craw1 quote -o quotes.csv
2021-06-19 20:48:44 [scrapy.utils.log] INF0: Scrapy 1.8.0 started (bot: quotes)

等待爬虫运行结束后，就会在当前目录下生成一个quotes.csv的文件，里面的数据已csv格式存放。

-o支持保存为多种格式。保存方式也非常简单，只要给上文件的后缀名就可以了。(csv、json、pickle等)

出处：https://www.cnblogs.com/qshhl/p/14915203.html

栏目列表