爬虫框架之scrapy
Posted 互联网it全栈
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫框架之scrapy相关的知识,希望对你有一定的参考价值。
一. 新建项目(scrapy startproject)
在开始爬取之前,必须创建一个新的Scrapy项目。进入自定义的项目目录中,运行下列命令:
scrapy startproject mukewang
其中, mukewang为项目名称,可以看到将会创建一个 mukewang文件夹,目录结构大致如下:
下面来简单介绍一下各个主要文件的作用:
scrapy.cfg :项目的配置文件
mukewang/ :项目的Python模块,将会从这里引用代码
mukewang/items.py :项目的目标文件
mukewang/pipelines.py :项目的管道文件
mukewang/settings.py :项目的设置文件
mukewang/spiders/ :存储爬虫代码目录
二、明确目标(mukewang/items.py)
我们打算抓取:http://www.imooc.com/course/list?c=fet网站里的所有课程的姓名、职称和个人信息。
打开mukewang目录下的items.py
Item 定义结构化数据字段,用来保存爬取到的数据,有点像Python中的dict,但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。
接下来,创建一个ItcastItem 类,和构建item模型(model)。
import scrapy
class MukewangItem(scrapy.Item):
#课程标题
title = scrapy.Field()
#课程详情
url = scrapy.Field()
#课程观看人数
image_url = scrapy.Field()
#课程级别
introduction = scrapy.Field()
#课程标签
student = scrapy.Field()
三、制作爬虫 (spiders/MukeSpider.py)
在当前目录下输入命令,将在mukewang/spider目录下创建一个名为muke的爬虫,并指定爬取域的范围:
scrapy genspider muke"muke.cn"
打开 mukewang/spider目录里的 muke.py,默认增加了下列代码:
# -*- coding: utf-8 -*-
import scrapy
from mukewang.items import MukewangItem
class MukeSpider(scrapy.Spider):
# 设置name
name = 'muke'
allowed_domains = ['imooc.com']
#爬取前端第一页课程
start_urls = ['http://www.imooc.com/course/list?c=fe']
# 编写爬取方法
def parse(self, response):
with open("muke.html","wb") as f:
f.write(response.body)
# 实例一个容器保存爬取的信息
item = MukewangItem()
# 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
# 先获取每个课程的div
for box in response.xpath('//ul[@class="clearfix"]/div[@class="course-card-container"]'):
# # 获取课程标题
item['title'] = box.xpath('.//h3[@class="course-card-name"]/text()').extract()
# # 获取课程详解
item['url'] = box.xpath('.//div[@class="clearfix course-card-bottom"]/p[@class="course-card-desc"]/text()').extract()
# # 获取课程阅读人数
item['image_url'] = box.xpath('.//div[@class="clearfix course-card-bottom"]/div[@class="course-card-info"]/span[2]/text()').extract()
# #获取课程难易程度
item['introduction'] = box.xpath('.//div[@class="clearfix course-card-bottom"]/div[@class="course-card-info"]/span[1]/text()').extract()
# #获取课程标签
item['student'] = box.xpath('.//div[ @class ="course-card-top"]/div[@class ="course-label"]/label/text()').extract()
yield item
其实也可以由我们自行创建muke.py并编写上面的代码,只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性 和 一个方法。
name = "" :这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。
allow_domains = [] 是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。
start_urls = () :爬取的URL元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
parse(self, response) :解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:
负责解析返回的网页数据(response.body),提取结构化数据(生成item)
生成需要下一页的URL请求。
scrapy crawl muke
运行之后,如果打印的日志出现 [scrapy] INFO: Spider closed (finished),代表执行完成。
以上是关于爬虫框架之scrapy的主要内容,如果未能解决你的问题,请参考以下文章