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

使用scrapy爬取古诗文网的前十页数据

程序员文章站 2022-04-22 13:39:58
...

使用scrapy爬取古诗文网的前十页数据

创建scrapy框架

使用cmd创建一个爬虫项目

scrapy startproject gsww   #创建新项目

然后进入目录中,创建spider

cd gsww 
scrapy genspider gsww_spider www.gushiwen.cn

使用scrapy爬取古诗文网的前十页数据

设置scrapy项目

在settings的程序里面设置

ROBOTSTXT_OBEY = False  #设置不遵守robots协议

使用scrapy爬取古诗文网的前十页数据

DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/5',
  'Accept-Language': 'en',
}  #设置请求头的headers

使用scrapy爬取古诗文网的前十页数据

ITEM_PIPELINES = {
   'gsww.pipelines.GswwPipeline': 300,
}

使用scrapy爬取古诗文网的前十页数据

写爬虫类

class GswwSpiderSpider(scrapy.Spider):
    name = 'gsww_spider'
    allowed_domains = ['www.gushiwen.cn']
    start_urls = ['https://www.gushiwen.cn/default_1.aspx']
    page = 1

    def myprint(self, value):
        print('='*30)
        print(value)
        print('='*30)


    def parse(self, response):
        gsw_divs = response.xpath("//div[@class='left']/div[@class='sons']")
        for gsw_div in gsw_divs:
            # self.myprint(type(response))
            # response.xpath返回SelectorList对象
            title = gsw_div.xpath('.//b/text()').getall()
            title = ''.join(title)
            # self.myprint(title)
            dynasty = gsw_div.xpath('.//p[@class="source"]/a[1]/text()').getall()
            dynasty = ''.join(dynasty)
            author = gsw_div.xpath('.//p[@class="source"]/a[2]/text()').getall()
            author = ''.join(author)
            # 下面的//text()代表的是获取class='contson'下面所有的子孙文本
            content_list = gsw_div.xpath(".//div[@class='contson']//text()").getall()
            # self.myprint(content_list)
            content = "" .join(content_list).strip()
            self.myprint(content)
            item = GswwItem(title=title, dynasty=dynasty, author=author, content=content)
            yield item

设置爬取的内容

class GswwItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    dynasty = scrapy.Field()
    author = scrapy.Field()
    content = scrapy.Field()  

使用scrapy爬取古诗文网的前十页数据

保存数据

import json
class GswwPipeline:
    def open_spider(self, spider):
        self.fp = open("古诗文.txt", 'w', encoding='utf-8')

    def process_item(self, item, spider):
        self.fp.write(json.dumps(dict(item),ensure_ascii=False) + "\n")
        return item

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

使用scrapy爬取古诗文网的前十页数据

标题设置多页爬取(在gsww_spider.py里面设置)

 next_url = response.xpath('//a[@id="amore"]/@href').get()
        print(next_url)
        if not next_url:
            return
        else:
            yield scrapy.Request('https://www.gushiwen.cn' + next_url, callback=self.parse)
            # scrapy.Request(这个网址一定要是str类型的,所以前面就不能使用getall方法来获取,getall方法获取的是一个列表)

使用scrapy爬取古诗文网的前十页数据

程序运行效果

为了方便我们运行方便,可以自己写一个程序放到项目的根目录下

from scrapy import cmdline #导入scrapy下面的cmdline包
# 调用cmdline.execute方法执行运行命令
cmdline.execute("scrapy crawl gsww_spider".split(' '))

使用scrapy爬取古诗文网的前十页数据

运行效果:
使用scrapy爬取古诗文网的前十页数据

最后把源码链接贴出来:
https://download.csdn.net/download/qiaoenshi/12913580

相关标签: 爬虫