Scrapy爬虫学习

Scrapy爬虫学习一

[1 scrapy框架](#1 scrapy框架)
- [1.1 scrapy 是什么](#1.1 scrapy 是什么)
- [1.2 安装scrapy](#1.2 安装scrapy)
[2 scrapy的使用](#2 scrapy的使用)
- 2.1创建scrapy项目
- [2.2 创建爬虫文件](#2.2 创建爬虫文件)
- 2.3爬虫文件的介绍
- [2.4 运行爬虫文件](#2.4 运行爬虫文件)
[3 爬取当当网前十页数据](#3 爬取当当网前十页数据)
- [3.1 dang.py：爬虫的主文件](#3.1 dang.py：爬虫的主文件)
- [3.2 items.py 定义数据结构](#3.2 items.py 定义数据结构)
- [3.3 pipelines.py 管道](#3.3 pipelines.py 管道)
- [3.4 执行命令](#3.4 执行命令)

1 scrapy框架

1.1 scrapy 是什么

Scrapy是一个为了 爬取网站 数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

1.2 安装scrapy

使用anaconda安装是比较方便的，直接使用命令

java 复制代码

pip install scrapy

2 scrapy的使用

2.1创建scrapy项目

在终端输入命令

java 复制代码

scrapy startproject dangdang(项目名称)

创建之后的文件如下

2.2 创建爬虫文件

首先跳转到项目下的spiders目录下

java 复制代码

cd dangdang/dangdang/spiders

创建自定义爬虫文件，使用命令

scrapy genspider 爬虫名字网页的域名

例如当当网的域名为https://category.dangdang.com/

java 复制代码

scrapy genspider dang https://category.dangdang.com/

会在spiders目录下生成dang.py的文件

2.3爬虫文件的介绍

继承scrapy.Spider类

java 复制代码

class DangSpider(scrapy.Spider):
    name = "dang"   # 运行爬虫文件使用的名字
    allowed_domains = ["category.dangdang.com"]  # 爬虫允许的域名，在爬虫的时候，如果不是此域名之下的url,会被过滤掉
    start_urls = ["https://category.dangdang.com/"]  # 声明了爬虫的起始地址，可以写多个url,一般是一个

    def parse(self, response):   # 解析数据的回调函数
        pass                     # response.text  响应的是字符串
                               	# response.body  响应的是字符串

2.4 运行爬虫文件

使用如下命令运行爬虫文件

java 复制代码

scrapy crawl dang(爬虫名称)

3 爬取当当网前十页数据

直接使用上述的项目

3.1 dang.py：爬虫的主文件

dang.py：为爬虫的主要业务逻辑

python 复制代码

import scrapy

from dangdang.items import DangdangItem

class DangSpider(scrapy.Spider):
    name = "dang"
    # 多页下载 一般情况下只写域名
    allowed_domains = ["category.dangdang.com"]
    start_urls = ["http://category.dangdang.com/cp01.01.02.00.00.00.html"]

    base_url = 'http://category.dangdang.com/pg'
    page = 1

    def parse(self, response):
        # src = //ul[@id="component_59"]/li//img/@src
        #alt = //ul[@id="component_59"]/li//img/@alt
        # price = //ul[@id="component_59"]/li/p[@class="price"]/span[1]/text()
        # 所有的selector对象 都可以再次调用xpath方法
        li_list = response.xpath('//ul[@id="component_59"]/li')
        for li in li_list:
            src = li.xpath('.//img/@data-original').extract_first()  # extract_first()提取数组第一个selector的data
            # 第一张图片和其他图片的标签属性是不一样的
            # 第一张图片的src是可以使用的  其他的图片地址是data-original
            if src :
                src = src
            else:
                src = li.xpath('.//img/@src').extract_first()
            name = li.xpath('.//img/@alt').extract_first()
            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()
            print(src,name,price)
            book = DangdangItem(src=src,name=name,price=price)
            #  获取一个book  交给pipeline管道
            yield book

        # http://category.dangdang.com/pg1-cp01.01.02.00.00.00.html

        if self.page<10:
            self.page = self.page +1
            url = self.base_url+str(self.page) + '-cp01.01.02.00.00.00.html'
            # scrapy.Request就是scrapy就是get请求
            # url就是请求地址  callback就是回调,也就是要执行的函数 再次调用parse函数
            yield scrapy.Request(url=url,callback=self.parse)

yield函数：

带有yield的函数不再是一个普通函数，而是一个生成器generator,可用于迭代

yield是一个类似return的关键字，迭代一次遇到yield就返回yield右边的值。

3.2 items.py 定义数据结构

python 复制代码

class DangdangItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 图片
    src = scrapy.Field()
    #名字
    name = scrapy.Field()
    # 图片
    price = scrapy.Field()

3.3 pipelines.py 管道

可定义多个管道。本案例使用双管道爬取，一个下载对应的json，一个爬取下载对应的图片

python 复制代码

# 使用管道 在settings 中开启管道
#
class DangdangPipeline:
    # item就是yield后面的book对象
    def open_spider(self,spider):
        print('-----open-----')
        self.fp = open('book.json','w',encoding='utf-8')

    def process_item(self, item, spider):
        #过去频繁 不推荐
        # #保存到文件中  w模式每次写都会打开一次文件 会覆盖之前的文件
        # with open('book.json','a',encoding='utf-8') as fp:
        #     fp.write(str(item))
        self.fp.write(str(item))
        return item

    def close_spider(self,spider):
        print('-----close-----')
        self.fp.close()

# 多条管道开启
# 'scrapy_dangdang.pipelines.DangDangDownloadPipeline': 301,#多条管道
class DangDangDownloadPipeline:
    def process_item(self, item, spider):
        filename = './book/'+item.get('name')+'.jpg'
        urllib.request.urlretrieve(url='http:'+item.get('src'),filename=filename)
        return item

使用前在settings.py设置类中，设置过管道爬取

python 复制代码

ITEM_PIPELINES = {
    # 管道是有优先级0-1000   值越小优先级越高
   "dangdang.pipelines.DangdangPipeline": 300,
   'dangdang.pipelines.DangDangDownloadPipeline': 301
}

3.4 执行命令

bash 复制代码

scrapy crawl dang

管道一DangdangPipeline类爬取的书名、价格、图片地址

管道二DangDangDownloadPipeline类下载的书的图片