【python】——爬虫07scrapy学习记录

一、scrapy一些概念

1. what

• scrapy，python 开源网络爬虫

2. scrapy流程

改写为：

3. 模块具体作用

二、构造请求

开发：

# 1. 创建项目
scrapy startproject mySpider

# 2.生成一个爬虫
scrapy genspider itcast itcast.cn


# 3.提取数据
# 根据网站结构在spider中实现数据采集相关

# 4.保存数据
# 使用pipeline进行数据后续处理和保存

创建项目

创建爬虫

完成爬虫

• 修改起始url
• 检查修改允许的域名
• 在parse方法中实现爬取逻辑

import scrapy


class ItcastSpider(scrapy.Spider):
    name = 'itcast'

    # 2.检查修改允许的域名
    allowed_domains = ['itcast.cn']
    # 1. 修改起始url
    start_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']


    # 3.在parse方法中实现爬取逻辑
    def parse(self, response):

        node_list = response.xpath('//div[@class="li_txt"]')
        print(len(node_list))

import scrapy


class ItcastSpider(scrapy.Spider):
    name = 'itcast'

    # 2.检查修改允许的域名
    allowed_domains = ['itcast.cn']
    # 1. 修改起始url
    start_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']


    # 3.在parse方法中实现爬取逻辑
    def parse(self, response):
        # 获取所有教室结点
        node_list = response.xpath('//div[@class="li_txt"]')

        # 遍历教师节点列表
        for node in node_list:
            temp = {
    
    }

            # scrapy中xpath方法返回的是选择器对象列表
            # extract() 用于从选择器对象中提取数据,配合索引
            # extract_first()直接提取第一个数据，自然不用索引
            # 确定只含有一个值，直接使用.extract_first()
            temp['name'] = node.xpath('./h3/text()').extract_first()
            temp['title'] = node.xpath('./h4/text()')[0].extract()
            temp['desc'] = node.xpath('./p/text()')[0].extract()

            # 如果使用return 函数就直接执行完毕了
            # 如果使用列表 .append 还需要做翻页操作

            yield temp

说明：

• scrapy.Spider爬虫类中必须有名为parse的解析
• 若网站层次复杂，可自定义其他解析函数
• 解析函数中 url必须属于允许的域中
• 启动爬虫注意位置，在项目下启动
• parse()函数中使用yield返回数据 ，注意:解析函数中的yield能够传递的对象只能是:Baseltem,Request, dict,None

保存数据——管道

• 定义管道

• 启用管道

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter

import json


class MyspiderPipeline(object):

    def __init__(self):
        self.file = open('itcast.json','w')

    def process_item(self, item, spider):
        # print('itcast',item)
        # 将字典数据序列化
        json_data = json.dumps(item, ensure_ascii=False) + ',\n'

        # 将数据写入文件
        self.file.write(json_data)


        # 默认使用完管道之后 需要将数据返回给引擎
        return item

    def __del__(self):
        self.file.close()

三、scrapy建模、请求

1. 在item.py中建模

• 确定采集字段
• 需要item支持

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class MyspiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    title = scrapy.Field()
    desc = scrapy.Field()
    pass

2. 使用——在爬虫中实例化

3. 翻页处理