Scrapy入门

Scrapy入门

---

1.安装scrapy

• linux环境下直接执行命令：
  • pip  install scrapy
• 安装完成之后直接在控制台输入：scrapy，如不报错，则安装成功

　　　　　　　　

2.创建项目

• scrapy  startproject  <project_name>
  • 这个命令可以在任何文件夹下运行，执行完毕之后会在当前目录下创建一个你的项目的名字的文件夹
  • 该文件夹的目录结构：
    • project_name
      • project_name
        • sriders
          • __init__.py
        • __init__.py
        • items.py
        • middlewares.py
        • piplines.py
        • settings.py
      • #scrapy.cfg    //它是scrapy项目的配置文件，其内定义了项目文件的配置文件路径、部署相关信息等内容。
      • #items.py    //它定义了items的数据结构，所有的items都可以在这里定义。
      • #middlewares.py    //它定义了spider middlewares和download middlewares的实现。
      • #piplines.py     //它定义item pipline的实现，所有的item pipline的实现都可以放在这里。
      • #settings.py    //定义项目的全局配置

　　　　

3.创建spider

• 在scrapy.cfg的同级目录下执行命令：
  • scrapy  genspider  <spider_name>  <project_start_url>
  • 执行完毕之后会在spiders的目录下生成一个<spider_name>.py的文件

　　　　

4.实际创建

1. scrapy  startproject  books
2. cd books
3. scrapy  genspider  quanshu  quanshuwang.com
4. cd  books/scrapy
5. cat  quanshu.py

6. # -*- coding: utf-8 -*-
   import scrapy
   
   
   class QuanshuSpider(scrapy.Spider):
       name = 'quanshu'
       allowed_domains = ['quanshuwang.com']
       start_urls = ['http://quanshuwang.com/']
   
       def parse(self, response):
           pass

 　　　   该文件里面有个<project_name>的类，该类继承自scrapy.Spider

　　　　name：该爬虫的名字，有且唯一，用于区别不同的爬虫和启动项目

　　　　allowed_domains：爬虫允许访问的域名

　　　　start_url：爬虫其实的url

　　　　parse方法：爬虫启动的时候，会默认调用parse，该方法主要用于对网页的解析。该方法有一个response参数，该参数为访问的url的结果对象。可以在parse方法中print(dir(response))来了解该对象的方法和属性。

5.启动爬虫

　　scrapy  crawl  <project_name>[类的name属性]