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。
其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
二、Scrapy安装介绍
Scrapy框架运行平台及相关辅助工具
您可以使用pip来安装Scrapy(推荐使用pip来安装Python package).
pip install Scrapy
Windows下安装流程:
1、安装Python 2.7之后,您需要修改 PATH
环境变量,将Python的可执行程序及额外的脚本添加到系统路径中。将以下路径添加到 PATH
中:
C:\Python27\;C:\Python27\Scripts\;
除此之外,还可以用cmd命令来设置Path:
c:\python27\python.exe c:\python27\tools\scripts\win_add2path.py
安装配置完成之后,可以执行命令python --version查看安装的python版本。(如图所示)
2、从 http://sourceforge.net/projects/pywin32/ 安装 pywin32
请确认下载符合您系统的版本(win32或者amd64)
从 https://pip.pypa.io/en/latest/installing.html 安装 pip
3、打开命令行窗口,确认 pip
被正确安装:
pip --version
4、到目前为止Python 2.7 及 pip
已经可以正确运行了。接下来安装Scrapy:
pip install Scrapy
至此windows下Scrapy安装已经结束。
三、Scrapy入门教程
1、在cmd中创建Scrapy项目工程。
scrapy startproject tutorial
H:\python\scrapyDemo>scrapy startproject tutorialNew Scrapy project 'tutorial', using template directory 'f:\\python27\\lib\\site-packages\\scrapy\\templates\\project', created in: H:\python\scrapyDemo\tutorialYou can start your first spider with: cd tutorial scrapy genspider example example.com
2、文件目录结构如下:
解析scrapy框架结构:
scrapy.cfg
: 项目的配置文件。tutorial/
: 该项目的python模块。之后您将在此加入代码。tutorial/items.py
: 项目中的item文件。tutorial/pipelines.py
: 项目中的pipelines文件。tutorial/settings.py
: 项目的设置文件。tutorial/spiders/
: 放置spider代码的目录。3、编写简单的爬虫
1、在item.py中配置需采集页面的字段实例。
1 # -*- coding: utf-8 -*- 2 3 # Define here the models for your scraped items 4 # 5 # See documentation in: 6 # http://doc.scrapy.org/en/latest/topics/items.html 7 8 import scrapy 9 from scrapy.item import Item, Field10 11 class TutorialItem(Item):12 title = Field()13 author = Field()14 releasedate = Field()
2、在tutorial/spiders/spider.py中书写要采集的网站以及分别采集各字段。
1 # -*-coding:utf-8-*- 2 import sys 3 from scrapy.linkextractors.sgml import SgmlLinkExtractor 4 from scrapy.spiders import CrawlSpider, Rule 5 from tutorial.items import TutorialItem 6 7 reload(sys) 8 sys.setdefaultencoding("utf-8") 9 10 11 class ListSpider(CrawlSpider):12 # 爬虫名称13 name = "tutorial"14 # 设置下载延时15 download_delay = 116 # 允许域名17 allowed_domains = ["news.cnblogs.com"]18 # 开始URL19 start_urls = [20 "https://news.cnblogs.com"21 ]22 # 爬取规则,不带callback表示向该类url递归爬取23 rules = (24 Rule(SgmlLinkExtractor(allow=(r'https://news.cnblogs.com/n/page/\d',))),25 Rule(SgmlLinkExtractor(allow=(r'https://news.cnblogs.com/n/\d+',)), callback='parse_content'),26 )27 28 # 解析内容函数29 def parse_content(self, response):30 item = TutorialItem()31 32 # 当前URL33 title = response.selector.xpath('//div[@id="news_title"]')[0].extract().decode('utf-8')34 item['title'] = title35 36 author = response.selector.xpath('//div[@id="news_info"]/span/a/text()')[0].extract().decode('utf-8')37 item['author'] = author38 39 releasedate = response.selector.xpath('//div[@id="news_info"]/span[@class="time"]/text()')[0].extract().decode(40 'utf-8')41 item['releasedate'] = releasedate42 43 yield item
3、在tutorial/pipelines.py管道中保存数据。
1 # -*- coding: utf-8 -*- 2 3 # Define your item pipelines here 4 # 5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting 6 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html 7 import json 8 import codecs 9 10 11 class TutorialPipeline(object):12 def __init__(self):13 self.file = codecs.open('data.json', mode='wb', encoding='utf-8')#数据存储到data.json14 15 def process_item(self, item, spider):16 line = json.dumps(dict(item)) + "\n"17 self.file.write(line.decode("unicode_escape"))18 19 return item
4、tutorial/settings.py中配置执行环境。
1 # -*- coding: utf-8 -*- 2 3 BOT_NAME = 'tutorial' 4 5 SPIDER_MODULES = ['tutorial.spiders'] 6 NEWSPIDER_MODULE = 'tutorial.spiders' 7 8 # 禁止cookies,防止被ban 9 COOKIES_ENABLED = False10 COOKIES_ENABLES = False11 12 # 设置Pipeline,此处实现数据写入文件13 ITEM_PIPELINES = {14 'tutorial.pipelines.TutorialPipeline': 30015 }16 17 # 设置爬虫爬取的最大深度18 DEPTH_LIMIT = 100
5、新建main文件执行爬虫代码。
1 from scrapy import cmdline 2 cmdline.execute("scrapy crawl tutorial".split())
最终,执行main.py后在data.json文件中获取到采集结果的json数据。
联系客服