爬虫 - Scrapy全站爬取

文章目录

• 一、准备工作
• 二、实现方式

---

一、准备工作

1. 创建项目

> scrapy startproject imgPro
> cd imgPro
> scrapy genspider tupian www.xxx.com 

2. 修改配置文件

ROBOTSTXT_OBEY = False
LOG_LEVEL = "ERROR"
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36 Edg/90.0.818.51'

二、实现方式

自行手动进行请求发送.

1.将起始url中的数据进行爬取

tupian.py

import scrapy
from ..items import ImgproItem


class TupianSpider(scrapy.Spider):
    name = 'tupian'
    # allowed_domains = ['www.xxx.com']
    # 起始url
    start_urls = ['https://pic.netbian.com/4kmeinv/']

    def parse(self, response):
        # 获取li列表
        li_list = response.xpath('//div[@class="slist"]/ul[1]/li')
        # 遍历列表
        for li in li_list:
            # 获取名称
            name = li.xpath("./a/b/text()").extract_first()
            # 实例化item对象
            item = ImgproItem()
            # 把名称传递给item
            item['name'] = name
            yield item

2. 生成一个通用的url模板

import scrapy
from ..items import ImgproItem


class TupianSpider(scrapy.Spider):
    name = 'tupian'
    # allowed_domains = ['www.xxx.com']
    # 起始url
    start_urls = ['https://pic.netbian.com/4kmeinv/']
    # 创建通用url模板
    url = "https://pic.netbian.com/4kmeinv/index_%d.html"
    nume = 2

    def parse(self, response):
        # 获取li列表
        li_list = response.xpath('//div[@class="slist"]/ul[1]/li')

        # 遍历列表
        for li in li_list:
            # 获取名称
            name = li.xpath("./a/b/text()").extract_first()
            print(name)

        # 循环请求url
        if self.nume <= 5:
            # 拼接新的url
            new_url = format(self.url%self.nume)
            self.nume += 1
            # 手动请求发送
            yield scrapy.Request(url=new_url, callback=self.parse)

请求流程 :

1. 当程序第一次执行的时候, 对起始url发请求, 让scrapy自动调用parse方法进行数据解析
2. for循环进行名称的获取并打印, for循环执行完毕以后, 执行if语句
3. if条件满足, 拼接第二页的url, scrapy.Request手动进行请求发送
4. 手动请求发送以后, 会回调parse函数
5. parse再次被调用, 解析第二页的数据
6. 以此类推, 直到if条件不满足