使用scrapy框架做赶集网爬虫

使用scrapy框架做赶集网爬虫

一、安装
首先scrapy的安装之前需要安装这个模块：wheel、lxml、Twisted、pywin32，最后在安装scrapy

pip install wheel
pip install lxml
这个地址是一个下载python包的好地方
https://www.lfd.uci.edu/~gohlke/pythonlibs/下载twisted
pip install Twisted
pip install pywin32
pip install scrapy

安装完成后
输入scrapy 能够执行，并能提示版本，说明安装没问题

二、Scrapy项目的创建

1、在前面输入 scrapy 的时候有个选项是 startproject，这个选项是创建scrapy项目，我们在命令提示符中输入：
scrapy startproject zufang (zufang是项目名称)

2、打开pycharm-->file-->open 找到建好的项目，显示项目结构

init.py 保持默认，不修改

items.py 保存爬取到的数据的容器

middlewares.py 中间件配置文件

settings.py 项目的设置文件，延迟等。

pipelines.py 项目管道文件，对传入的项目类中的数据进行一个清理和入库

spiders目录 该目录下只有一个init.py 文件，在该目录下定义爬虫类并集成scrapy.Spider

scrapy genspider ganji tj.ganji.com 前一个是py文件名名后一个是要爬取的url
生成一个ganji.py文件

三、创建数据库
1、pycharm下方的Terminal输入
python

    import sqlite3
    zufang=sqlite3.connect("zufang.sqlite")
    createtable="create table zufang(title varchar(512),money varchar(128))"
    zufang.execute(createtable);
2、完成创建数据库和表
3、按住这个文件拖动到右侧的Database中

四、修改代码
1、在ganji.py中配置需要访问的域名和要爬取的url

        # -*- coding: utf-8 -*-
        from zufang.items import *
        import scrapy


        class GanjiSpider(scrapy.Spider):
            name = 'zufang'
            allowed_domains = ['tj.ganji.com']
            start_urls = ['http://tj.ganji.com/fang1/chaoyang/']

            def parse(self, response):
                print(response)
                zf = ZufangItem()
                allrawpriceList=response.xpath('//div/dl/dd[5]//div/span[1]/text()').extract()
                allrawtitleList = response.xpath('//*[@class ="f-list-item ershoufang-list"]/dl/dd[1]/a/text()').extract()
                for title, price in zip(allrawtitleList, allrawpriceList):
                    zf["title"] = title;
                    zf["money"] = price
                    yield zf

2、item.py修改代码
    import scrapy


    class ZufangItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        title = scrapy.Field();
        money = scrapy.Field();
3、pipeline.py修改代码   
    import sqlite3


    class ZufangPipeline(object):
        def process_item(self, item, spider):
            print(spider.name, "Spider pipeline")
            return item

        def open_spider(self, spider):
            self.con = sqlite3.connect("zufang.sqlite")
            self.cn = self.con.cursor()

        def process_item(self, item, spider):
            print(item)
            insert_sql = 'insert into zufang(title, money) values("{}", "{}")'.format(item["title"], item["money"])
            # insert_sql = 'insert into zufang(title, money) values("{}", "{}")'.format("title", 2500)
            print(insert_sql)
            self.cn.execute(insert_sql)
            self.con.commit()
            return item

        def spider_close(self, spider):
            self.con.close()
4、setting.py中修改使pipeline生效
    ITEM_PIPELINES = {
       'zufang.pipelines.ZufangPipeline': 300,
    }

五、执行爬虫 （项目目录下执行）退到与工程同一目录下：
scrapy crawl zufang