设为首页收藏本站language→→ 语言切换

鸿鹄论坛

 找回密码
 论坛注册

QQ登录

QQ不能直接注册帐号

查看: 46|回复: 0

[其他情况] scrapy爬虫三步骤

[复制链接]
发表于 2020-7-7 17:24:57 | 显示全部楼层 |阅读模式

一、新建项目(scrapy startproject)
在开始爬取之前,必须创建一个新的Scrapy项目。进入自定义的项目目录中,运行下列命令:
scrapy startproject mySpider


其中, mySpider 为项目名称,可以看到将会创建一个 mySpider 文件夹,目录结构大致如下:
下面来简单介绍一下各个主要文件的作用:
scrapy.cfg :项目的配置文件
mySpider/ :项目的Python模块,将会从这里引用代码
mySpider/items.py :项目的目标文件
mySpider/pipelines.py :项目的管道文件
mySpider/settings.py :项目的设置文件
mySpider/spiders/ :存储爬虫代码目录
二、明确目标(mySpider/items.py)
我们打算抓取:http://www.itcast.cn/channel/... 网站里的所有讲师的姓名、职称和个人信息。
  • 打开mySpider目录下的items.py
  • Item 定义结构化数据字段,用来保存爬取到的数据,有点像Python中的dict,但是提供了一些额外的保护减少错误。
  • 可以通过创建一个 scrapy.Item 类, 并且定义类型为
    scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。
  • 接下来,创建一个ItcastItem 类,和构建item模型(model)。
    import scrapy
    class ItcastItem(scrapy.Item):
name = scrapy.Field()   level = scrapy.Field()   info = scrapy.Field()


三、制作爬虫 (spiders/itcastSpider.py)
爬虫功能要分两步:
1. 爬数据
在当前目录下输入命令,将在mySpider/spider目录下创建一个名为itcast的爬虫,并指定爬取域的范围:
scrapy genspider itcast "itcast.cn"
打开 mySpider/spider目录里的 itcast.py,默认增加了下列代码:
import scrapyclass ItcastSpider(scrapy.Spider):    name = "itcast"    allowed_domains = ["itcast.cn"]    start_urls = (        'http://www.itcast.cn/',    )    def parse(self, response):        pass


其实也可以由我们自行创建itcast.py并编写上面的代码,只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性 和 一个方法。
name = "" :这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。
allow_domains = [] 是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。
start_urls = () :爬取的URL元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
parse(self, response) :解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:
负责解析返回的网页数据(response.body),提取结构化数据(生成item)
生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)


修改parse()方法
def parse(self, response):    filename = "teacher.html"    open(filename, 'w').write(response.body)


然后运行一下看看,在mySpider目录下执行:
scrapy crawl itcast


是的,就是 itcast,看上面代码,它是 ItcastSpider 类的 name 属性,也就是使用 scrapy genspider命令的唯一爬虫名。
运行之后,如果打印的日志出现 [scrapy] INFO: Spider closed (finished),代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件,里面就是我们刚刚要爬取的网页的全部源代码信息。
**注意,Python2.x默认编码环境是ASCII,当和取回的数据编码格式不一致时,可能会造成乱码;
我们可以指定保存内容的编码格式,一般情况下,我们可以在代码最上方添加:**
import sysreload(sys)sys.setdefaultencoding("utf-8")


这三行代码是Python2.x里解决中文编码的万能钥匙,经过这么多年的吐槽后Python3学乖了,默认编码是Unicode了...(祝大家早日拥抱Python3)
2. 取数据
爬取整个网页完毕,接下来的就是的取过程了,首先观察页面源码:
<div class="li_txt">    <h3>  xxx  </h3>    <h4> xxxxx </h4>    <p> xxxxxxxx </p>


是不是一目了然?直接上XPath开始提取数据吧。
我们之前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来
from mySpider.items import ItcastItem


然后将我们得到的数据封装到一个 ItcastItem 对象中,可以保存每个老师的属性:
from mySpider.items import ItcastItemdef parse(self, response):    #open("teacher.html","wb").write(response.body).close()    # 存放老师信息的集合    items = []    for each in response.xpath("//div[@class='li_txt']"):        # 将我们得到的数据封装到一个 `ItcastItem` 对象        item = ItcastItem()        #extract()方法返回的都是unicode字符串        name = each.xpath("h3/text()").extract()        title = each.xpath("h4/text()").extract()        info = each.xpath("p/text()").extract()        #xpath返回的是包含一个元素的列表        item['name'] = name[0]        item['title'] = title[0]        item['info'] = info[0]        items.append(item)    # 直接返回最后数据    return items我们暂时先不处理管道,后面会详细介绍。保存数据


scrapy保存信息的最简单的方法主要有四种,-o 输出指定格式的文件,,命令如下:
json格式,默认为Unicode编码
scrapy crawl itcast -o teachers.json


json lines格式,默认为Unicode编码
scrapy crawl itcast -o teachers.jsonl


csv 逗号表达式,可用Excel打开
scrapy crawl itcast -o teachers.csv


xml格式
scrapy crawl itcast -o teachers.xml


思考
如果将代码改成下面形式,结果完全一样。
请思考 yield 在这里的作用:
from mySpider.items import ItcastItemdef parse(self, response):    #open("teacher.html","wb").write(response.body).close()    # 存放老师信息的集合    #items = []    for each in response.xpath("//div[@class='li_txt']"):        # 将我们得到的数据封装到一个 `ItcastItem` 对象        item = ItcastItem()        #extract()方法返回的都是unicode字符串        name = each.xpath("h3/text()").extract()        title = each.xpath("h4/text()").extract()        info = each.xpath("p/text()").extract()        #xpath返回的是包含一个元素的列表        item['name'] = name[0]        item['title'] = title[0]        item['info'] = info[0]        #items.append(item)        #将获取的数据交给pipelines        yield item    # 返回数据,不经过pipeline    #return items



以上只是我们scrapy爬虫简单的三步骤,更深层次的爬虫技术需要我们学习更多。我们需要更多的数据需要学习更深的技术,但正因为如此,反爬虫的技术也层出不穷,像时间限制、IP限制、验证码限制等等,都可能会导致爬虫无法进行。所以一些反爬策略是必须要做的,像ip限制我们可以通过选择代理商提供高质量代理来解决,亿牛云爬虫代理加强版或优质代理都是很好的选择。

如果觉得帖子内容对你有帮助,请点击【评分】给我增加好评度,加分不会扣除自己的积分。

论坛已启用匿名发帖功能,快发帖试试新功能吧

发考试战报,来这里申请勋章,菜鸟变高手从此走上人生巅峰

注意!恶意灌水,将会被收回所得积分 网络技术电报群 http://ttttt.me/cciehcie
您需要登录后才可以回帖 登录 | 论坛注册

本版积分规则

QQ|Archiver|手机版|小黑屋|sitemap|鸿鹄论坛 ( 京ICP备14027439号 )

GMT+8, 2020-8-15 05:04 , Processed in 0.075322 second(s), 7 queries , Gzip On, MemCache On.

Powered by Discuz!

© 2001-2020 HH010.COM

快速回复 返回顶部 返回列表