爬虫——scrapy入门
Posted siplips
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——scrapy入门相关的知识,希望对你有一定的参考价值。
scrapy
- 安装scrapy
pip install scrapy
windows可能安装失败,需要先安装c++库或twisted,
pip install twisted
- 创建项目
scrapy startproject tutorial
该命令将会创建包含下列内容的 tutorial 目录:
tutorial/ scrapy.cfg tutorial/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ... scrapy.cfg: 项目的配置文件 tutorial/: 该项目的python模块。之后您将在此加入代码。 tutorial/items.py: 项目中的item文件. tutorial/pipelines.py: 项目中的pipelines文件. tutorial/settings.py: 项目的设置文件. tutorial/spiders/: 放置spider代码的目录.
- 编写第一个爬虫
为了创建一个Spider,您必须继承 scrapy.Spider 类,定义以下三个属性
scrapy genspider dmoz dmoz.com 终端命令可以直接完成这步操作
- 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url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
1 import scrapy 2 3 class DmozSpider(scrapy.Spider): 4 name = "dmoz" 5 allowed_domains = ["dmoz.org"] 6 start_urls = [ 7 "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/", 8 "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/" 9 ] 10 11 def parse(self, response): 12 filename = response.url.split("/")[-2] 13 with open(filename, ‘wb‘) as f: 14 f.write(response.body)
- 爬取
scrapy crawl dmoz
过程: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。
xpath(): 传入xpath表达式,返回该表达式所对应的所有节点的selector list列表 。
css(): 传入CSS表达式,返回该表达式所对应的所有节点的selector list列表.
extract(): 序列化该节点为unicode字符串并返回list。
re(): 根据传入的正则表达式对数据进行提取,返回unicode字符串list列表。
- scrapy shell
scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"
- response
- response.body:包体
- response.headers:包头
- response.xpath():xpath选择器
- response.css():css选择器
1 import scrapy 2 3 class DmozSpider(scrapy.Spider): 4 name = "dmoz" 5 allowed_domains = ["dmoz.org"] 6 start_urls = [ 7 "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/", 8 "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/" 9 ] 10 11 def parse(self, response): 12 for sel in response.xpath(‘//ul/li‘): 13 title = sel.xpath(‘a/text()‘).extract() 14 link = sel.xpath(‘a/@href‘).extract() 15 desc = sel.xpath(‘text()‘).extract() 16 print title, link, desc
请使用手机"扫一扫"x
以上是关于爬虫——scrapy入门的主要内容,如果未能解决你的问题,请参考以下文章
Python爬虫从入门到放弃(十九)之 Scrapy爬取所有知乎用户信息(下)
python爬虫入门Scrapy框架之CrawlSpider类