目录
[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)
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
cpp
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
cpp
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
cpp
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:
python
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)
python
# 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
python
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:
python
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
python
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
python
# 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)
python
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
python
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
python
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。