一 爬虫框架(scrapy)

Posted 2020-11-30 lovershowtime

一 .scrapy

https://www.cnblogs.com/wupeiqi/p/6229292.html

1.scrapy简介

Scrapy 是一个用 Python 实现的为了爬取网站数据、提取结构性数据的应用框架。
Scrapy 使用Twisted异步网络库来处理网络通讯。
使用 Scrapy 框架可以高效（爬取效率和开发效率）完成网站数据爬取任务。

pip install pywin32
pip install zope.interface
pip install Twisted
pip install pyOpenSSL
pip install Scrapy

2. 创建项目

创建：

scrapy startproject Demo   第一: 创建启动项目

H:web_creeperweb_scrapy>scrapy startproject dome
New Scrapy project ‘dome‘, using template directory ‘d:pythonlibsite-packagesscrapy	emplatesproject‘, created in:
    H:web_creeperweb_scrapydome

You can start your first spider with:
    cd dome
    scrapy genspider example example.com                表示生成一个爬虫    表示爬虫名称    爬虫的起始地址


H:web_creeperweb_scrapydome>   scrapy genspider baidu baidu.com   第二部： 创建爬虫


第三步: 启动爬虫    scrapy  crawl chouti  默认要打印日志

                  scrapy  crawl   baidu  --nolog  不打印日志

爬虫项目的目录结构：

items.py：用来存放爬虫爬取的数据的模型
middlewares.py：用来存放各种中间件的文件
pipelines.py：用来将items的模型存储到本地磁盘
settings.py：存储本爬虫的一些配置信息，比如：请求头、ip代理池等
spiders目录：存储所有的爬虫代码
scrapy.cfg：项目的配置文件

    

 关于windows编码

# -*- coding: utf-8 -*-
import sys,os,io
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding=‘gb18030‘)

import scrapy
class BaiduSpider(scrapy.Spider):
    name = ‘baidu‘    #  爬虫名称
    allowed_domains = [‘baidu.com‘]    #   allowed_domains  定向爬虫(就是只爬一个网址)
    start_urls = [‘http://baidu.com/‘]    #   起始url

    def parse(self, response):    # 回调函数  封装了所有响应数据
         print(response,type(response),111111111111111)
         print(response.text)

scrapy parse函数为什么执行了，打印不了内容

解决：

1.找到settings.py配置文件

把ROBOTSTXT修改为False

2.然后退出重启一下scrapy（pychram）

3.直接启动项目scrapy crawl baidu --nolog(不打印日志)