【Scrapy】简单项目实战--爬取dangdang图书信息

目录

一、基本步骤

[1、新建项目 ：新建一个新的爬虫项目](#1、新建项目 ：新建一个新的爬虫项目)

[2、明确目标 （items.py）：明确你想要抓取的目标](#2、明确目标 （items.py）：明确你想要抓取的目标)

[3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页](#3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页)

[4、存储内容 （pipelines.py）：设计管道存储爬取内容](#4、存储内容 （pipelines.py）：设计管道存储爬取内容)

5、运行爬虫

二、实战：爬取当当图书

---

接下来介绍一个简单的项目，完成一遍 Scrapy 抓取流程。

一、基本步骤

1、新建项目 ：新建一个新的爬虫项目

1 创建一个scrapy项目
scrapy startproject mySpider（文件夹名称）

2、明确目标 （items.py）：明确你想要抓取的目标

选择你需要爬取的内容，例如作者名字、小说名、封面图片等
在items.py文件中定义

3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

 生成一个爬虫
scrapy genspider  爬虫文件的名字 要爬的网页
eg:[不需要加https]
https://www.baidu.com/ --> baidu.com
https://www.douban.com/  --> douban.com
scrapy genspider baidu www.baidu.com

EG 爬虫文件解释：

import scrapy
class BaiduSpider(scrapy.Spider):
    # 爬虫的名字 一般运行爬虫的时候 使用的值
    name = 'baidu'
    # 允许访问的域名
    allowed_domains = ['www.baidu.com']
    # 起始的url地址  指的是第一次要访问的域名
    # start_urls   是在allowed_domains的前面添加一个http：//
    #              是在allowed_domains的后面添加一个/
    # 如果以html结尾 就不用加/ 否则网站进不去  报错
    start_urls = ['http://www.baidu.com/']

    # 是执行了start_urls之后  执行的方法
    # 方法中的response  就是返回的那个对象
    # 相当于 response = urllib.request.urlopen()
    #       response = requests.get()
    def parse(self, response):
        pass

4、 配置中间件（middlewares.py防反爬）

# middlewares.py 添加随机请求头和代理
import random
from fake_useragent import UserAgent

class CustomMiddleware:
    def process_request(self, request, spider):
        # 随机UA（伪装不同浏览器）
        request.headers['User-Agent'] = UserAgent().random
        
        # 使用代理IP（示例用阿布云代理）
        request.meta['proxy'] = "http://http-dyn.abuyun.com:9020"
        request.headers['Proxy-Authorization'] = basic_auth_header(
            'H01234567890123D', '0123456789012345'
        )

【本项目没有防反爬机制，不用管这个文件】

4、存储内容 （pipelines.py）：设计管道存储爬取内容

如果想使用管道的话 那么就必须在settings中开启管道

ITEM_PIPELINES = {
	    # 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高
	   'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,
}
    	# 将在settings.py中这段话取消注释，则打开了通道。

然后去pippelines.py中设计管道：

class ScrapyDangdangPipeline:

    def open_spider(self,spider):
        self.fp = open('book.json','w',encoding='utf-8')

    # item就是yield后面的对象
    def process_item(self, item, spider):   
        self.fp.write(str(item))
        return item

    def close_spider(self,spider):
        self.fp.close()

5、运行爬虫

在cmd中输入：scrapy crawl 爬虫的名字
  eg:scrapy crawl baidu

二、实战：爬取当当图书

创建项目

上一节我们已经创建好了文件夹

创建好文件夹之后，通过cd mySprider进入到文件夹内部，创建通过scrapy genspider 爬虫程序了，这里创建爬虫文件，scrapy genspider dang category.dangdang.com

爬虫文件已经创建完成，通过mySprider，spiders目录下看到创建好的db文件。

明确目标 （items.py）：明确你想要抓取的目标

• 确定需要下载的数据，去items.py文件中添加。这里我们准备存储图片、名字和价格

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


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

去爬虫文件中去爬取我们需要的内容了（这里是在dang.py文件中）

import scrapy
from ..items import MyspiderItem


class DangSpider(scrapy.Spider):
    # 爬虫的名字 一般运行爬虫的时候 使用的值
    name = 'dang'

    # 允许访问的域名
    # 如果是多页下载的话 那么必须要调整的是allowed_domains的范围 一般情况下只写域名
    allowed_domains = ['category.dangdang.com']

    # 起始的url地址  指的是第一次要访问的域名
    # start_urls   是在allowed_domains的前面添加一个http：//
    #              是在allowed_domains的后面添加一个/
    # 如果以html结尾 就不用加/
    start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']
    base_url = 'http://category.dangdang.com/pg'
    page = 1

    # 是执行了start_urls之后  执行的方法
    # 方法中的response  就是返回的那个对象
    # 相当于 response = urllib.request.urlopen()
    #       response = requests.get()
    def parse(self, response):
        # pipelines     下载数据
        # items         定义数据结构的
        # 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seletor的对象 都可以再次调用xpath方法
        li_list = response.xpath('//ul[@id="component_59"]/li')
        for li in li_list:
        #  第一张图片和其他的图片的标签是属性是不一样的
        #  第一张图片src是可以使用的 其他图片的地址data-original
            src = li.xpath('.//img/@data-original').extract_first()
            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()

            book = MyspiderItem(src=src,name=name,price=price)
            # 获取一个book就交给pipelines
            yield book

        # 每一页爬取的业务逻辑都是一样的
        # 所以我们只需要将执行的那个页的请求再次调用parse方法就可以了
        if self.page < 100:
            self.page = self.page + 1
            url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'
            # 怎么去调用parse方法
            # scrapy.Request就是scrpay的get方法
            # url就是请求地址
            # callback是你要执行的那个函数 注意不需要加圆括号
            yield scrapy.Request(url=url,callback=self.parse)

通过解析拿到数据之后，我们就可以去通道中添加保存的方法了（pippelines.py）

去settings.py在打开通道和添加通道，完成之后进行下一步

ITEM_PIPELINES = {
    # 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高
   'mySpider.pipelines.ScrapyDangdangPipeline': 300,
   'mySpider.pipelines.DangDangDownloadPiepline': 301,
}

注意

黄色框起来的是你的文件名，自行修改！

• 通道打开后，在pippelines.py完成下列操作

import os
# 如果想使用管道的话 那么就必须在settings中开启管道
class ScrapyDangdangPipeline:

    def open_spider(self,spider):
        self.fp = open('book.json','w',encoding='utf-8')

    # item就是yield后面的book对象
    def process_item(self, item, spider):
        # 一下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁
        # # write方法必须要写一个字符串 而不能是其他的对象
        # # w模式 会每一个对象都打开一次文件 覆盖之前的内容
        # 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):
        self.fp.close()

# 多条管道开启
    # 定义管道类
    # 在settings中开启管道
    # 'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,
import urllib.request


class DangDangDownloadPiepline:

    def process_item(self,item,spider):
        url = 'http:' + item.get('src')
        if not os.path.exists('./books/'):
            os.mkdir('./books/')
        filename = './books/' + item.get('name') + '.jpg'
        urllib.request.urlretrieve(url=url,filename=filename)
        return item

• 最后在cmd中输入：scrapy crawl dang
• 
• 完成之后就开始下载了，全部完成之后你就会看到多了book.json文件和books文件夹在自己的项目中。里面有数据，则表示项目成功了。

运行结果

三、总结

一定要记得！！在setting开启管道设置 ，设置的时候注意路径名称，在这卡了半天

✅ spiders/ 里的爬虫逻辑（怎么抓，主要抓取数据的文件）

✅ pipelines.py 里的存储逻辑，处理抓到的数据（怎么存，定义文件存储方式等等）

✅ settings.py 里的配置参数（怎么调优）

总的来说，简单一点的爬虫用scrapy实现时需要先创建好项目-->明确要爬取的目标--->分析页面，看看数据存在什么标签中，写爬取的py文件--->看看是否有反爬机制--->在管道文件中添加对数据的处理方式。