Python项目--Scrapy框架(一)
环境
win8, python3.7, pycharm
正文
1.scrapy框架的安装
在cmd命令行窗口执行:
pip install scrapy
即可完成scrapy框架的安装
2. 创建scrapy项目
在cmd命令行窗口下切换到想要的目录下, 我这里是c:\users\administrator\pycharmprojects\untitled\tests\scrapy
执行下面代码, 即可在当前的"scrapy"目录下生成jianshu项目文件夹.
scrapy startproject jianshu
文件夹结构如下:
items.py: 定义要爬取的项目
middlewares.py: 定义爬取时的中间介质
pipelines.py: 定义数据管道
settings.py: 配置文件
scrapy.cfg: scrapy部署时的配置文件
3. 创建jianshuspider
在cmd命令行依次执行以下代码, 即可在"jianshu/spiders"目录下创建jianshuspider.py文件
cd jianshu scrapy genspider jianshuspider jianshuspider.toscrape.com
4. 定义要爬取的项目
在items.py中确定要爬取的信息: 中的主题, 内容, 文章数, 粉丝数这四个信息
1 import scrapy 2 from scrapy.item import item, field 3 4 class jianshuitem(item): 5 # define the fields for your item here like: 6 # name = scrapy.field() 7 title = field() #主题 8 content = field() #内容 9 article = field() #文章 10 fans = field() #粉丝
5. 编写爬虫主程序
简书热门专题采用异步加载, 在network中选择xhr来确定异步加载的url: https://www.jianshu.com/recommendations/collections?page=(1,2,3,4.....)&order_by=hot
在jianshuspider.py中编写主程序:
1 import scrapy 2 from scrapy.spiders import crawlspider 3 from scrapy.selector import selector 4 from jianshu.items import jianshuitem 5 from scrapy.http import request 6 class jianshu(crawlspider): 7 name = 'jianshu' 8 allowed_domains = ['jianshuspider.toscrape.com'] 9 start_urls = ['https://www.jianshu.com/recommendations/collections?page=1&order_by=hot'] 10 def parse(self, response): 11 item = jianshuitem() 12 #对源码进行初始化 13 selector = selector(response) 14 #采用xpath进行解析 15 infos = selector.xpath('//div[@class="collection-wrap"]') 16 for info in infos: 17 title = info.xpath('a[1]/h4/text()').extract()[0] 18 content = info.xpath('a[1]/p/text()').extract() 19 article = info.xpath('div/a/text()').extract()[0] 20 fans = info.xpath('div/text()').extract()[0] 21 #加入判断, 如果content存在则返回content[0], 否则返回'' 22 if content: 23 content = content[0] 24 else: 25 content = '' 26 item['title'] = title 27 item['content'] = content 28 item['article'] = article 29 item['fans'] = fans 30 yield item 31 #列表生成式, 生成多个url 32 urls = ['https://www.jianshu.com/recommendations/collections?page={0}&order_by=hot'.format(str(page)) for page in range(2,37)] 33 for url in urls: 34 yield request(url,callback=self.parse)
6. 保存到mongodb
利用pipelines数据管道将其存储至mongodb, 在pipelines.py编写:
1 import pymongo 2 3 class jianshupipeline(object): 4 def __init__(self): 5 '''连接mongodb''' 6 client = pymongo.mongoclient(host='localhost') 7 db = client['test'] 8 jianshu = db["jianshu"] 9 self.post = jianshu 10 def process_item(self, item, spider): 11 '''写入mongodb''' 12 info = dict(item) 13 self.post.insert(info) 14 return item
7. setting配置
1 bot_name = 'jianshu' 2 spider_modules = ['jianshu.spiders'] 3 newspider_module = 'jianshu.spiders' 4 #从网站请求头复制粘贴user-agent 5 user_agent = 'mozilla/5.0 (windows nt 6.3; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/68.0.3440.106 safari/537.36' 6 robotstxt_obey = true 7 #设置等待时间5秒 8 download_delay = 5 9 #配置项目管道 10 item_pipelines = { 11 'jianshu.pipelines.jianshupipeline': 300, 12 }
8. 新建main.py文件
在jianshu文件目录下新建main.py文件, 编辑如下代码:
1 from scrapy import cmdline 2 cmdline.execute('scrapy crawl jianshu'.split())
9. 运行main.py文件
在运行之前, 需确保mongodb服务已经启动, 执行结果如下:
上一篇: 用ASP打开远端MDB
下一篇: php实现微信企业号支付个人的方法详解
推荐阅读