scrapy爬虫学习

Posted 2020-10-12

windows下爬虫脚本必须配置以下内容，否则出现编码错误
import sys,io
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding=‘gb18030‘)

一、爬取煎蛋网内容

items.py    #数据字段
import scrapy

class JiandanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    content = scrapy.Field()
    img_url = scrapy.Field()
    
爬虫脚本jiandan.py
import sys,io
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding=‘gb18030‘)
import scrapy
from ..items import JiandanItem
from scrapy.selector import htmlXPathSelector

class JianDanSpider(scrapy.Spider):
    name = "jiandan"

    allowed_domains = ["jandan.net"]
    start_urls = [
        "http://jandan.net/",
    ]

    def parse(self, response):
        #title_list = response.xpath(‘//div[@class="indexs"]//h2/a/text()‘).extract()
        hxs = HtmlXPathSelector(response)
        items = hxs.select(‘//div[@class="post f list-post"]‘)
        for item in items:
            img_url = item.select(‘.//div[@class="thumbs_b"]/a/img/@data-original‘).extract_first()
            if not img_url:
                img_url = item.select(‘.//div[@class="thumbs_b"]/a/img/@src‘).extract_first()
            img_url = img_url.strip("/")
            img_url = "http://"+img_url
            title = item.select(‘.//div[@class="indexs"]/h2/a/text()‘).extract_first()
            content = item.select(‘.//div[@class="indexs"]/text()‘).extract()[3]
            content = content.strip()
            obj = JiandanItem(title=title, img_url=img_url, content=content)
            yield obj
            
 pipelines.py#数据存储脚本
 import json
import os
import requests

# class JiandanPipeline(object):
#     def process_item(self, item, spider):
#         return item

class JsonPipeline(object):    #items.py设置的字段存储方式
    def __init__(self):
        self.file = open(‘jiandan.txt‘, ‘w‘)

    def process_item(self, item, spider):
        v = json.dumps(dict(item), ensure_ascii=False)
        self.file.write(v)
        self.file.write(‘\n‘)
        self.file.flush()
        return item

class FilePipeline(object):    #图片url存储方式
    def __init__(self):
        if not os.path.exists(‘imgs‘):
            os.makedirs(‘imgs‘)
    def process_item(self, item, spider):
        response = requests.get(item[‘img_url‘],stream=True)
        with open(‘1.jpg‘, mode=‘wb‘) as f:
            f.write(response.content)
        return item
        
settings.py#设置存储
ITEM_PIPELINES = {
    ‘jiandan.pipelines.JsonPipeline‘: 100,
    ‘jiandan.pipelines.FilePipeline‘: 300,
}

命令行输出json文件: scrapy crawl jiandan -o items.json

本文出自 “linux技术” 博客，请务必保留此出处http://haoyonghui.blog.51cto.com/4278020/1976840