版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
初识python_scrapy爬虫
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中.
当前教程默认读者已安装python环境
安装scrapy
pip install Scrapy
创建爬虫项目
通过命令方式进行创建爬虫项目
scrapy startproject studyscrapypro
项目结构
spiders:项目中的模块，通常在该模块下编写python代码，爬虫的逻辑代码等。
items.py:项目中用到的实体类，需要开发者自己定义。
pipelines.py：处理爬虫爬到的数据，数据处理器。
settings.py：项目的配置文件，在该文件中可以对项目进行基本的设置。
scrapy.cfg:项目的顶级配置文件，基本上无需默认修改。
Scrapy的开发步骤
- 创建项目
- 编写item实体类
- 创建爬虫类(Spider) 编写爬虫的逻辑
- 编写爬虫结果数据处理类(Pipeline)
- 启动项目
当前案例以爬取博客数据为例
目标网址：
https://www.cnblogs.com/
需求：
获取首页的博客数据。
- 定义博客item类
import scrapy
class StudyscrapyproItem(scrapy.Item):
#当前类继承scrapy.Item
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field()
author = scrapy.Field()
comm = scrapy.Field()
scan = scrapy.Field()
desc = scrapy.Field()
date = scrapy.Field()
- 使用通用模板创建Spider爬虫类
scrapy genspider cn_blogs_splider "www.cnblogs.com"
我们会在spiders文件夹中看到我们新创建的类 cn_blogs_splider
- 编写爬虫逻辑
自定义的Spider继承scrapy.Spider类，name属性必须有且唯一不重复。allowed_domains定义了被爬取的网站域名
实现了其parse方法。response参数就是scrapy请求网络返回的数据。
通过编写parse方法实现提取数据的过程，这里使用到了xpath语法。也可以使用正则表达式进行匹配。推荐使用Xpath语法。
XPATH语法学习推荐：https://www.w3school.com.cn/xpath/xpath_syntax.asp
import scrapy
from studyscrapypro.items import StudyscrapyproItem
class CnBlogsSpliderSpider(scrapy.Spider):
name = 'cn_blogs_splider'
allowed_domains = ['www.cnblogs.com']
start_urls = ['http://www.cnblogs.com/']
def parse(self, response):
post_list = response.xpath("//div[@class='post_item']")
for post in post_list:
title = post.xpath(".//a[@class='titlelnk']/text()").extract_first()
author = post.xpath(".//a[@class='lightblue']/text()").extract_first()
comm_scan = post.xpath(".//a[@class='gray']/text()").getall()
comm = int(str(comm_scan[0]).strip()[3:-1])
scan = int(str(comm_scan[1]).strip()[3:-1])
date_str = post.xpath(".//div[@class='post_item_foot']/text()").getall()
date_str = str(date_str[1]).strip()[4:]
# date = time.strptime(date_str, "%Y-%m-%d %H:%M")
all_desc = post.xpath(".//p[@class='post_item_summary']/text()").getall()
if len(all_desc) < 2:
continue
desc = str(all_desc[1]).strip()
item = StudyscrapyproItem()
item["title"] = title
item["author"] = author
item["comm"] = comm
item["scan"] = scan
item["desc"] = desc
item["date"] = date_str
yield item
- 编写最终处理数据的类(Pipeline)
这里示例转为json存文件，存数据库方式
安装MySQL模块
pip install mysql
数据库表
CREATE TABLE `item` (
`id` int(10) NOT NULL AUTO_INCREMENT,
`title` char(100) DEFAULT NULL,
`desc` char(100) DEFAULT NULL,
`date` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
`author` char(20) DEFAULT NULL,
`comm` int(10) DEFAULT NULL,
`scan` int(10) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=588 DEFAULT CHARSET=utf8mb4
Pipeline.py
import MySQLdb
import json
class StudyscrapyproPipeline(object):
# 初始化方法
def __init__(self):
self.connect = MySQLdb.connect(host='localhost', port=3306, user='root', passwd='root', db='cn_blog',
charset='utf8')
self.connect.autocommit(on=False)
self.cursor = self.connect.cursor()
pass
# self.file = open("result.json", 'w+')
# self.file.write('[')
def write_item(self, item):
json_str = json.dumps(dict(item))
self.file.write(json_str + ",\n")
print(json_str)
pass
def insert_mysql(self, item):
# self.cursor.execute("""
# INSERT INTO `cn_blog`.`item` (`title`,`desc`,`author`, `comm`,`scan`)VALUES(%s,%s,%s,%s,%s);
# """, (item['title'], 'desc', 'author', 1, 1))
self.cursor.execute("""
INSERT INTO `cn_blog`.`item` (`title`,`desc`,`author`, `comm`,`scan`,`date`)VALUES(%s,%s,%s,%s,%s,%s);
""", (item['title'], item['desc'][0:100], item['author'], item['comm'], item['scan'], item['date']))
# 解析的方法
def process_item(self, item, spider):
# self.write_item(item)
self.insert_mysql(item)
return item
# 关闭的方法 善后
def close_spider(self, spider):
# self.file.write("]")
# self.file.close()
self.connect.commit()
self.cursor.close()
self.connect.close()
修改配置文件settings.py
# 关闭遵循目标网站提供的防爬虫文件
ROBOTSTXT_OBEY = False
# 添加User-Agent
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/77.0.3865.90 Safari/537.36',
# 'Accept-Language': 'en',
}
#开启Pipelines处理数据
ITEM_PIPELINES = {
'studyscrapypro.pipelines.StudyscrapyproPipeline': 300,
}
项目源码
https://github.com/upuptop/studyscrapypro
官方文档：
https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/overview.html