爬取廖雪峰博客

Posted 2020-10-08

#https://zhuanlan.zhihu.com/p/26342933

scrapy startproject liaoxuefeng
cd liaoxuefeng

# pycharm中新建并导入工程
#讲解scrapy基本架构及文件用处

    引擎从调度器中取出一个链接(URL)用于接下来的抓取
    引擎把URL封装成一个请求(Request)传给下载器
    下载器把资源下载下来，并封装成应答包(Response)
    爬虫解析Response
    解析出实体（Item）,则交给实体管道进行进一步的处理
    解析出的是链接（URL）,则把URL交给调度器等待抓取

 

建立一个项目之后：

第一件事情是在items.py文件中定义一些字段，这些字段用来临时存储你需要保存的数据。方便后面保存数据到其他地方，比如数据库 或者 本地文本之类的。

第二件事情在spiders文件夹中编写自己的爬虫

第三件事情在pipelines.py中存储自己的数据

还有一件事情，不是非做不可的，就settings.py文件 并不是一定要编辑的，只有有需要的时候才会编辑。

 

#创建爬虫文件

这里先新建spider文件liaoxuefeng

import scrapy


class LiaoxuefengSpider(scrapy.Spider):
    # 这里是将爬虫定义为scrapy.Spider这个类下的一个实例。
    # Spider这个类定义了爬虫的很多基本功能，我们直接实例化就好，
    # 省却了很多重写方法的麻烦。
    name = ‘lxf‘
    #这是爬虫的名字，这个非常重要。
    start_urls = [‘http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000‘]
    #这是爬虫开始干活的地址，必须是一个可迭代对象。

    def parse(self, response):
    #爬虫收到上面的地址后，就会发送requests请求，在收到服务器返回的内容后，就将内容传递给parse函数。在这里我们重写函数，达到我们想要的功能。
        titles = response.xpath("//ul[@class=‘uk-nav uk-nav-side‘]//a/text()").extract()
        #这是廖雪峰老师python教程的标题列表。我们利用xpath解析器对收到的response进行分析，从而提取出我们需要的数据。//XXX表示任何任何目录下的XXX区块，/XXX表示子目录下的XXX区块，XXX[@class=abc]表示带有class=abc属性值的XXX区块，/text()表示获取该区块的文本。最后加上.extract()表示将内容提取出来。
        for title in titles:
            print (title)

 

#编写main文件
from scrapy.cmdline import execute

import sys
sys.path.append("D:\\PycharmProjects\\liaoxuefeng")
execute([‘scrapy‘,‘crawl‘,‘lxf‘])