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

Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

程序员文章站 2022-05-10 11:59:36
1. 高考派大学数据 写在前面 终于写到了 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 官方说明进行安装。 2. 高考派大学数据 创建scrapy项目 通 ......

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

Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

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
Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

页面下部有一个加载更多,点击抓取链接

Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

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~

Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

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
Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

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)
Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

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

Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

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。

Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy

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

  1. 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
  2. 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
Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy


Python爬虫入门教程 30-100 高考派大学数据抓取 scrapy