Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy
1. 高考派大学数据----写在前面
终于写到了scrapy爬虫框架了，这个框架可以说是python爬虫框架里面出镜率最高的一个了，我们接下来重点研究一下它的使用规则。
安装过程自己百度一下，就能找到3种以上的安装手法，哪一个都可以安装上
可以参考 https://scrapy-chs.readthedocs.io/zh_cn/0.24/intro/install.html 官方说明进行安装。
2. 高考派大学数据----创建scrapy项目
通用使用下面的命令，创建即可
scrapy startproject myspider
完成之后，你的项目的目录结构为
每个文件对应的意思为
- scrapy.cfg 项目的配置文件
- myspider/ 根目录
- myspider/items.py 项目的目标文件，规范数据格式，用来定义解析对象对应的属性或字段。
- myspider/pipelines.py 项目的管道文件，负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库）
- myspider/settings.py 项目的设置文件
- myspider/spiders/ 爬虫主目录
- middlewares.py spider中间件是在引擎及spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展scrapy功能。 本篇文章没有涉及
高考派大学数据----创建scrapy爬虫
通过命令行进入到 myspider/spiders/ 目录，然后执行如下命令
scrapy genspider gaokao "www.gaokaopai.com"
打开myspider/spiders/ 目录里面的 gaokao，默认增加了 下列代码
import scrapy
class gaokaospider(scrapy.spider):
name = "gaokao"
allowed_domains = ["www.gaokaopai.com"]
start_urls = ['http://www.gaokaopai.com/']
def parse(self, response):
pass
默认生成的代码，包含一个gaokaospider的类，并且这个类是用scrapy.spider继承来的
而且默认实现了三个属性和一个方法
name = "" 这个是爬虫的名字，必须唯一，在不同的爬虫需要定义不同的名字
allowed_domains = [] 域名范围，限制爬虫爬取当前域名下的网页
start_urls =[] 爬取的url元组/列表。爬虫从这里开始爬取数据，第一次爬取的页面就是从这里开始，其他的url将会从这些起始的url爬取的结果中生成
parse(self,response) 解析网页的方法，每个初始url完成下载后将调用，调用的时候传入每一个初始url返回的response对象作为唯一参数，主要作用1、负责解析返回的网页数据，response.body 2、生成下一页的url请求
高考派大学数据----第一个案例
我们要爬取的是高考派大学数据 数据为 http://www.gaokaopai.com/rank-index.html
页面下部有一个加载更多，点击抓取链接
尴尬的事情发生了，竟然是一个post请求，本打算实现一个get的，这回代码量有点大了~
scrapy 模式是get请求的，如果我们需要修改成post，那么需要重写spider类的start_requests(self) 方法，并且不再调用start_urls里面的url了，所以，咱对代码进行一些修改。重写代码之后，注意下面这段代码
request = formrequest(self.start_url,headers=self.headers,formdata=form_data,callback=self.parse)
formrequest 需要引入模块 from scrapy import formrequest
self.start_url 写上post请求的地址即可
formdata用来提交表单数据
callback调用网页解析参数
最后的 yield request 表示这个函数是一个生成器
import scrapy
from scrapy import formrequest
import json
from items import myspideritem
class gaokaospider(scrapy.spider):
name = 'gaokao'
allowed_domains = ['gaokaopai.com']
start_url = 'http://www.gaokaopai.com/rank-index.html'
def __init__(self):
self.headers = {
"user-agent":"自己找个ua",
"x-requested-with":"xmlhttprequest"
}
# 需要重写start_requests() 方法
def start_requests(self):
for page in range(0,7):
form_data = {
"otype": "4",
"city":"",
"start":str(25*page),
"amount": "25"
}
request = formrequest(self.start_url,headers=self.headers,formdata=form_data,callback=self.parse)
yield request
def parse(self, response):
print(response.body)
print(response.url)
print(response.body_as_unicode())
我们在 def parse(self, response): 函数里面，输出一下网页内容，这个地方，需要用到1个知识点是
获取网页内容 response.body response.body_as_unicode()
- response.url获取抓取的rul
- response.body获取网页内容字节类型
- response.body_as_unicode()获取网站内容字符串类型
我们接下来就可以运行一下爬虫程序了
在项目根目录创建一个begin.py 文件，里面写入如下代码
from scrapy import cmdline
cmdline.execute(("scrapy crawl gaokao").split())
运行该文件，记住在scrapy中的其他py文件中，运行是不会显示相应的结果的，每次测试的时候，都需要运行begin.py 当然，你可起一个其他的名字。
如果你不这么干的，那么你只能 采用下面的操作，就是比较麻烦。
cd到爬虫目录里执行scrapy crawl gaokao--nolog命令 说明：scrapy crawl gaokao(gaokao表示爬虫名称) --nolog(--nolog表示不显示日志)
运行起来，就在控制台打印数据了，测试方便，可以把上述代码中那个数字7，修改成2，有心人能看到我这个小文字
pycharm在运行过程中，会在控制台打印很多红色的字，没事，那不是bug
一定要在红色的字中间找到黑色的字，黑色的字才是你打印出来的数据，如下，得到这样的内容，就成功一大半了。
但是这个地方有个小坑，就是，你会发现返回的数据不一致，这个我测试了一下，是因为第一页的数据返回的不是json格式的，而是普通的网页，那么我们需要针对性处理一下，这个先不用管，我们把items.py 进行完善
import scrapy
class myspideritem(scrapy.item):
# 学校名称
uni_name = scrapy.field()
uni_id = scrapy.field()
city_code = scrapy.field()
uni_type = scrapy.field()
slogo = scrapy.field()
# 录取难度
safehard = scrapy.field()
# 院校所在地
rank = scrapy.field()
然后在刚才的gaokaospider类中，继续完善parse函数，通过判断 response.headers["content-type"] 去确定本页面是html格式，还是json格式。
if(content_type.find("text/html")>0):
# print(response.body_as_unicode())
trs = response.xpath("//table[@id='results']//tr")[1:]
for item in trs:
school = myspideritem()
rank = item.xpath("td[1]/span/text()").extract()[0]
uni_name = item.xpath("td[2]/a/text()").extract()[0]
safehard = item.xpath("td[3]/text()").extract()[0]
city_code = item.xpath("td[4]/text()").extract()[0]
uni_type = item.xpath("td[6]/text()").extract()[0]
school["uni_name"] = uni_name
school["uni_id"] = ""
school["city_code"] = city_code
school["uni_type"] = uni_type
school["slogo"] = ""
school["rank"] = rank
school["safehard"] = safehard
yield school
else:
data = json.loads(response.body_as_unicode())
data = data["data"]["ranks"] # 获取数据
for item in data:
school = myspideritem()
school["uni_name"] = item["uni_name"]
school["uni_id"] = item["uni_id"]
school["city_code"] = item["city_code"]
school["uni_type"] = item["uni_type"]
school["slogo"] = item["slogo"]
school["rank"] = item["rank"]
school["safehard"] = item["safehard"]
# 将获取的数据交给pipelines，pipelines在settings.py中定义
yield school
parse() 方法的执行机制
- 使用yield返回数据，不要使用return。这样子parse就会被当做一个生成器。scarpy将parse生成的数据，逐一返回
- 如果返回值是request则加入爬取队列，如果是item类型，则交给pipeline出来，其他类型报错
到这里，如果想要数据准备的进入到 pipeline 中，你需要在setting.py中将配置开启
# see https://doc.scrapy.org/en/latest/topics/item-pipeline.html
item_pipelines = {
'myspider.pipelines.myspiderpipeline': 300,
}
同时编写 pipeline.py 文件
import os
import csv
class myspiderpipeline(object):
def __init__(self):
# csv 文件
store_file = os.path.dirname(__file__)+"/spiders/school1.csv"
self.file = open(store_file,"a+",newline='',encoding="utf-8")
self.writer = csv.writer(self.file)
def process_item(self, item, spider):
try:
self.writer.writerow((
item["uni_name"],
item["uni_id"],
item["city_code"],
item["uni_type"],
item["slogo"],
item["rank"],
item["safehard"]
))
except exception as e:
print(e.args)
def close_spider(self,spider):
self.file.close()
好了，代码全部编写完毕，还是比较简单的吧，把上面的数字在修改成7，为啥是7，因为只能获取到前面150条数据