python3利用Scrapy实现爬虫--学习笔记

目的：需要从网页上爬去一些信息

工具：Python scrapy

爬去CSDN中博客的阅读排行

第一步：

创建scrapy项目 scrapy startproject XXX

第二步：

创建爬虫进入项目目录执行 scrapy genspider csdn_spider csdn.net

此时的项目结构为

第三步：

编辑 csdn/item.py 定义我们需要爬取的字段

这里我们爬取阅读排行前十名的文章标题和阅读次数

name 为文章标题

total 为阅读数量

import scrapy


class CsdnItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    total = scrapy.Field()

第四部：

编辑爬虫文件 csdn/spiders/csdn_spider.py

import scrapy
from csdn.items import CsdnItem


class CsdnSpiderSpider(scrapy.Spider):
    name = 'csdn_spider'
    allowed_domains = ['csdn.net']
    start_urls = ['https://blog.csdn.net/wuchenlhy']

    def parse(self, response):
        body = response.xpath('//*[@id="hotarticls"]/ul[2]/li')
        for value in body:
            title = value.xpath('./a/@title').extract()[0]
            total = value.xpath('./span/text()').extract()[0]
            print(title, total)
            item = CsdnItem()
            item['name'] = title
            item['total'] = total
            yield item

第五步：

保存我们爬取到的内容

编辑csdn/settings.py

找到这一段代码取消掉注释

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'csdn.pipelines.CsdnPipeline': 300,
#}

变成这个样子

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'csdn.pipelines.CsdnPipeline': 300,
}

之后编辑csdn/pipelines.py

class CsdnPipeline(object):

    def process_item(self, item, spider):
        with open('csdn.txt', 'a') as fp:
            fp.write('{0} {1}\n'.format(item['name'], item['total']))

爬虫代码完毕

最后一步：运行爬虫

scrapy crawl csdn_spider --nolog

抓取内容我们保存在项目根目录的 csdn.txt中

python3利用Scrapy实现爬虫--学习笔记

猜你喜欢