- 创建Scrapy项目
1 # https://github.com/My-Sun-Shine/Python/tree/master/Python3/Scrapy_Learn/Scrapy_A 2 scrapy startproject Scrapy_A
- 项目结构：
- scrapy.cfg：Scrapy项目的配置文件，定义了项目文件路径、不算
- Scrapy_A：项目的模块，需要从这里引入
- spiders：其中包括一个个Spider的实现，每个Spider都有一个文件
- items.py：定义Item数据结构，存放所有的Item的定义，定义爬取的数据结构
- middlewares.py：定义爬取时的中间件，定义Spider Middlewares和Downloader Middlewares的实现
- pipelines.py：定义数据管道，定义Item Pipeline的实现，存放所有的Item Pipeline的实现
- settings.py：定义项目的全局配置
- 创建爬虫：进入到Scrapy_A文件中，使用命名行创建一个Spider
1 # 创建quotes.py这个Spider 2 scrapy genspider quotes quotes.toscrape.com 3 # quotes.py 4 # -*- coding: utf-8 -*- 5 import scrapy 6 7 class QuotesSpider(scrapy.Spider): 8 name = 'quotes' # 项目的唯一名字，区分不同的Spider 9 allowed_domains = ['quotes.toscrape.com'] # 允许爬取的域名，如果初始或后续的请求链接不是这个域名下的，则请求链接会被过滤掉 10 start_urls = ['http://quotes.toscrape.com/'] # 爬虫启动时爬取的url列表，初始请求由它来定义 11 12 def parse(self, response): # 该方法负责解析返回的响应、提取数据或者进一步生成要处理的请求 13 """默认情况下，在start_urls里面的链接构成的请求完成下载执行后，返回的响应就会作为唯一参数传给该函数""" 14 pass
- 创建Item：Item是保存爬取数据的容器
1 # items.py 2 import scrapy 3 4 class QuoteItem(scrapy.Item): 5 """创建Item需要继承scrapy.Item类，定义类型scrapy.Field字段""" 6 text = scrapy.Field() 7 author = scrapy.Field() 8 tags = scrapy.Field()
- 进行爬虫解析，编写QuotesSpider
1 # quotes.py 2 import scrapy 3 from Scrapy_A.items import QuoteItem 4 5 class QuotesSpider(scrapy.Spider): 6 name = 'quotes' 7 allowed_domains = ['quotes.toscrape.com'] 8 start_urls = ['http://quotes.toscrape.com/'] 9 10 def parse(self, response): 11 """response是start_urls里面的链接爬取后的结果，使用parse()方法进行解析，使用CSS选择器或者XPath选择器""" 12 quotes = response.css('.quote') 13 for quote in quotes: 14 item = QuoteItem() # 声明数据类Item 15 # extract_first()方法获取第一个元素；extract()方法获取所有结果组成的列表 16 item['text'] = quote.css('.text::text').extract_first() 17 item['text'] = quote.css('.author::text').extract_first() 18 item['tags'] = quote.css('.tags .tag::text').extract() 19 yield item 20 21 next_page = response.css('.pager .next a::attr("href")').extract_first() # 获取下一页 22 url = response.urljoin(next_page) 23 # url：请求链接；callback：回调函数，当得到url响应的时候，回调parse()方法 24 yield scrapy.Request(url=url, callback=self.parse)
- 运行爬虫
1 scrapy crawl quotes # 爬取结果显示到控制台上 2 scrapy crawl quotes -o quotes.json # 爬取结果保存在JSON文件中 3 scrapy crawl quotes -o quotes.jl # 每一个Item输出一行JSON，jl是jsonlines的缩写 4 scrapy crawl quotes -o quotes.jsonlines # 每一个Item输出一行JSON 5 scrapy crawl quotes -o quotes.csv # 爬取结果保存在CSV文件中 6 scrapy crawl quotes -o quotes.xml # 爬取结果保存在XML文件中 7 scrapy crawl quotes -o quotes.pickle # 爬取结果保存在Pickle文件中 8 scrapy crawl quotes -o quotes.marshal # 爬取结果保存在marshal格式文件中 9 # ftp远程输出，需要配置用户名，密码，地址，输出路径 10 scrapy crawl quotes -o ftp://user:pass@ftp.example.com/path/to/quotes.csv
- 使用Item Pipeline：Item Pipeline为项目管道，当Item生成后，它会自动被传送到Item Pipeline进行处理（清理HTML数据、验证爬取数据、检测爬取字段、查重并丢弃重复内容、将爬取结果保存到数据库）
1 # pipelines.py 2 # -*- coding: utf-8 -*- 3 from scrapy.exceptions import DropItem 4 import pymongo 5 6 class TextPipeline(object): 7 def __init__(self): 8 self.limit = 50 9 10 def process_item(self, item, spider): 11 """该方法必须返回包含数据的字典或Item对象或者抛出异常；item：每次爬虫生成的Item对象；spider：爬虫实例""" 12 if item['text']: 13 if len(item['text']) > self.limit: 14 item['text'] = item['text'][0:self.limit].strip() + '...' 15 return item 16 else: 17 return DropItem("Missing Text") 18 19 class MongoPipeline(object): # 存入数据库 20 def __init__(self, mongo_uri, mongo_db): 21 self.mongo_uri = mongo_uri # 链接 22 self.mongo_db = mongo_db # 数据库名 23 24 @classmethod # 标识这是一个依赖注入的方式 25 def from_crawler(cls, crawler): 26 """:param crawler: 得到全局配置的每个配置信息来自settings.py""" 27 return cls( 28 mongo_uri=crawler.settings.get('MONGO_URI'), 29 mongo_db=crawler.settings.get('MONGO_DB') 30 ) 31 32 def open_spider(self, spider): # 当爬虫开启的时候，这个方法被调用 33 self.client = pymongo.MongoClient(self.mongo_uri) 34 self.db = self.client[self.mongo_db] 35 36 def process_item(self, item, spider): # 实现数据插入 37 name = item.__class__.__name__ 38 self.db[name].insert(dict(item)) 39 return item 40 41 def close_spider(self, spider): # 爬虫关闭的时候，该方法被调用 42 self.client.close()
- 配置对应Item Pipeline的settings.py
1 # settings.py 2 # 键名是Pipeline的类名称，键值是调用优先级，数字越小则对应的Pipeline越先被调用 3 ITEM_PIPELINES = { 4 'Scrapy_A.pipelines.TextPipeline': 300, 5 'Scrapy_A.pipelines.MongoPipeline': 400, 6 } 7 MONGO_URL = 'localhost' 8 MONGO_DB = 'Scrapy_A'
- 再次运行爬虫
- Spider运行流程：Spider类定义了如何爬取某个网站的流程和解析方式
- 以初始的URL初始化Request，并设置回调函数，当Request成功请求并返回时，Response生成并作为参数传给该回调函数
- 在回调函数中分析返回的网页内容，返回的结果有两种形式：一种是解析到的有效结果返回字典或Item对象，它们可以经过处理或者直接保存；另外一种就是解析得到下一页的链接，可以利用该链接构造Request并设置新的回调函数，返回Request等待后续流程
- 如果返回的是字典或Item对象，通过Feed Exports等组件将返回结果存入到文件，如果设置了Pipline的话，可以使用Pipline处理(如过滤、修正)并保存
- 如果返回的是Request，那么Request执行成功得到Response之后，Response会被传递给Request中定义的回调函数，在回调函数中可以使用选择器来分析新得到的网页内容，并根据分析的数据生成Item