1.scrapy項目實現流程
- 創建一個scrapy項目:
scrapy startproject mySpider
- 生成一個爬蟲:
scrapy genspider itcast "itcast.cn
- 提取數據:完善spider,使用xpath等方法
- 保存數據:pipeline中保存數據
2.創建scrapy項目
爬取的地址:http://www.itcast.cn/channel/teacher.shtml
- 安裝scrapy命令:
sudo apt-get install scrapy
- 或者:
pip install scrapy
- 創建scrapy項目的命令:
scrapy startproject myspider
生成的目錄和文件結果如下:
3.創建爬蟲
命令:在項目路徑下執行:scrapy genspider +<爬蟲名字> + <允許爬取的域名>
示例:
cd myspider
scrapy genspider itcast itcast.cn
生成的目錄和文件結果如下:
4.完善spider
完善spider即通過方法進行數據的提取等操作
在/myspider/myspider/spiders/itcast.py中修改內容如下:import scrapy
import scrapy
# 自定義spider類,繼承scrapy.spider
class ItcastSpider(scrapy.Spider):
# 爬蟲名字
name = 'itcast'
# 允許爬取的範圍,防止爬蟲爬到別的網站
allowed_domains = ['itcast.cn']
# 開始爬取的url地址
start_urls = ['http://www.itcast.cn/channel/teacher.shtml']
# 數據提取的方法,接受下載中間件傳過來的response
def parse(self, response):
# scrapy的response對象可以直接進行xpath
names = response.xpath('//div[@class="tea_con"]//li/div/h3/text()')
print(names)
# 獲取具體數據文本的方式如下
# 分組
li_list = response.xpath('//div[@class="tea_con"]//li')
for li in li_list:
# 創建一個數據字典
item = {}
# 利用scrapy封裝好的xpath選擇器定位元素,並通過extract()或extract_first()來獲取結果
item['name'] = li.xpath('.//h3/text()').extract_first() # 老師的名字
item['level'] = li.xpath('.//h4/text()').extract_first() # 老師的級別
item['text'] = li.xpath('.//p/text()').extract_first() # 老師的介紹
print(item)
注意:
- response.xpath方法的返回結果是一個類似list的類型,其中包含的是selector對象,操作和列表一樣,但是有一些額外的方法
- extract() 返回一個包含有字符串的列表
- extract_first() 返回列表中的第一個字符串,列表爲空沒有返回None
- spider中的parse方法必須有
- 需要抓取的url地址必須屬於allowed_domains,但是start_urls中的url地址沒有這個限制
- 啓動爬蟲的時候注意啓動的位置,是在項目路徑下啓動
5.利用管道pipeline來處理(保存)數據
5.1 對itcast爬蟲進行修改完善
在爬蟲文件itcast.py中parse()函數中最後添加
yield item
yield的作用:
- 讓整個函數變成一個生成器,遍歷這個函數的返回值的時候,挨個把數據讀到內存,不會造成內存的瞬間佔用過高
- python3中的range和python2中的xrange同理
注意:yield能夠傳遞的對象只能是:BaseItem,Request,dict,None
5.2 修改pipelines.py文件
import json
class ItcastPipeline(object):
# 爬蟲文件中提取數據的方法每yield一次item,就會運行一次
# 該方法爲固定名稱函數
def process_item(self, item, spider):
print(item)
5.3 在settings.py設置開啓pipeline
ITEM_PIPELINES = {
'myspider.pipelines.ItcastPipeline': 400
}
6.運行scrapy
命令:在項目目錄下執行scrapy crawl +<爬蟲名字>
示例:scrapy crawl itcast
總結
- srapy的安裝:
pip install scrapy
- 創建scrapy的項目:
scrapy startproject myspider
- 創建scrapy爬蟲:在項目目錄下執行
scrapy genspider itcast itcast.cn
- 運行scrapy爬蟲:在項目目錄下執行
scrapy crawl itcast
- 解析並獲取scrapy爬蟲中的數據:
response.xpath方法的返回結果是一個類似list的類型,其中包含的是selector對象,操作和列表一樣,但是有一些額外的方法
extract() 返回一個包含有字符串的列表
extract_first() 返回列表中的第一個字符串,列表爲空沒有返回None - scrapy管道的基本使用:
完善pipelines.py中的process_item函數
在settings.py中設置開啓pipeline