欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Scrapy快速上手

程序员文章站 2022-04-09 19:08:21
超详细官方教程解析 https://blog.csdn.net/fly_yr/article/details/51540269 实战过程: 【1】创建Scrapy项目 scrapy startproject TestDemo 若进入到相应的文件目录下,在地址栏输入cmd进入命令行界面,输入以上命令, ......

超详细官方教程解析

https://blog.csdn.net/fly_yr/article/details/51540269

 

实战过程:

  1. 创建一个scrapy项目
  2. 定义提取的item
  3. 编写爬取网站的 spider 并提取 item
  4. 编写 item pipeline 来存储提取到的item(即数据)

1】创建scrapy项目

scrapy startproject testdemo 

进入到相应的文件目录下,在地址栏输入cmd进入命令行界面,输入以上命令,则会在相应的文件目录下建立一个项目

Scrapy快速上手

 

创建spider.py命令:scrapy genspider -t basic 名字 网址

也可以手动创建

 

运行爬虫时,在项目所在目录的地址栏cmd,进入,输入 scrapy crawl 爬虫名字;

否则可能会提示没找到该命令

其他相关命令

Scrapy快速上手

2】定义item容器

Scrapy快速上手

添加字段位置

Scrapy快速上手   

先建模     //左是名字 右边是 占位符

Scrapy快速上手

3】编写爬虫:

Scrapy快速上手Scrapy快速上手

实现爬虫的python文件应该在spiders文件夹下

Scrapy快速上手

#def parse是回调函数,从downloader返回response后,接受response而执行的方法;分别裁剪xx作为文件名,将网页的<body>内容保存至两个文件;

 

【3-1】爬“取”:     ---------利用xpath

Scrapy快速上手      Scrapy快速上手

 

xpath举例:

Scrapy快速上手

【3-2】重写spider的分析方法      【原方法是为了保存,验证用】

Scrapy快速上手

【4】将数据存放到item容器中

Scrapy快速上手

【5】导出保存

scrapy crawl domz -o items.json -t json

#-o 指导出 后跟文件名字【需要后缀

#-t 表示导出的格式,此处用json

#此处代码意思是,运行爬虫domz,并以json格式导出保存为items.json

 

 

 

 

 

实战中注意点:

1.  刚开始入门的时候,要爬取能爬的网站。。。有些是有反爬虫机制的,不然还会以为是代码错了导致没爬到数据

2.  xpath()    中:

比如爬<html><head><title>xxx   的内容,

如果已经sites = sel.xpath('/html/head/title') 

接下来用site = sites.xpath('text()').extract()    即可获取selector对象的列表字符串化后的unicode字符串

 

而不是site = sites.xpath('/text()').extract()  或者 site = sites.xpath('title/text()').extract()

 

 3.定义item容器 中, 要和存放容器时使用的一致,不可无中生有

Scrapy快速上手

Scrapy快速上手