scrapy 全站数据爬取

Posted 2020-12-18 bibicode

大部分的网站展示的数据都进行了分页操作，那么将所有页码对应的页面数据进行爬取就是爬虫中的全站数据爬取。
基于scrapy如何进行全站数据的爬取?
使用request方法，给callback传参(函数), 函数解析请求回来的数据，实现全站数据爬取

爬虫文件

import scrapy
from learn_scrapy.items import LearnScrapyItem

class AllqiushiSpider(scrapy.Spider):
    name = ‘allqiushi‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘https://www.qiushibaike.com/‘]

    # 爬取多页
    page_num = 1
    # 每页的url
    url = ‘https://www.qiushibaike.com/8hr/page/%s/‘

    def parse(self, response):
        li_list = response.xpath(‘//*[@id="content"]/div/div[2]/div/ul/li‘)
        for li in li_list:
            title = li.xpath(‘./div/a/text()‘)[0].extract()
            author = li.xpath(‘./div/div/a/span/text()‘)[0].extract()

            item = LearnScrapyItem()
            item[‘title‘] = title
            item[‘author‘] = author
            yield item # 提交item到管道进行持久化

        # 递归结束条件
        # 爬取所有页码数据
        if self.page_num <= 13:
            self.page_num += 1
            url = format(self.url % self.page_num)

            print(str(self.page_num) + ‘页‘)
            #递归爬取数据：callback参数的值为回调函数（将url请求后，得到的相应数据继续进行parse解析），递归调用parse函数
            yield scrapy.Request(url=url, callback=self.parse)