Python爬蟲基礎(chǔ)之初次使用scrapy爬蟲實(shí)例

項(xiàng)目需求

在專門供爬蟲初學(xué)者訓(xùn)練爬蟲技術(shù)的網(wǎng)站（http://quotes.toscrape.com)上爬取名言警句。

創(chuàng)建項(xiàng)目

在開始爬取之前，必須創(chuàng)建一個(gè)新的Scrapy項(xiàng)目。進(jìn)入您打算存儲(chǔ)代碼的目錄中，運(yùn)行下列命令:

(base) λ scrapy startproject quotes
New scrapy project 'quotes '， using template directory 'd: \anaconda3\lib\site-packages\scrapy\temp1ates\project ', created in:
    D:\XXX
You can start your first spider with :
    cd quotes
    scrapy genspider example example. com

首先切換到新建的爬蟲項(xiàng)目目錄下，也就是/quotes目錄下。然后執(zhí)行創(chuàng)建爬蟲文件的命令:

D:\XXX(master)
(base) λ cd quotes\

  
D:\XXX\quotes (master)
(base) λ scrapy genspider quotes quotes.com
cannot create a spider with the same name as your project
 
D :\XXX\quotes (master)
(base) λ scrapy genspider quote quotes.com
created spider 'quote' using template 'basic' in module:quotes.spiders.quote

該命令將會(huì)創(chuàng)建包含下列內(nèi)容的quotes目錄:

robots.txt

robots協(xié)議也叫robots.txt(統(tǒng)一小寫）是一種存放于網(wǎng)站根目錄下的ASCII編碼的文本文件，它通常告訴網(wǎng)絡(luò)搜索引擎的網(wǎng)絡(luò)蜘蛛，此網(wǎng)站中的哪些內(nèi)容是不應(yīng)被搜索引擎的爬蟲獲取的，哪些是可以被爬蟲獲取的。

robots協(xié)議并不是一個(gè)規(guī)范，而只是約定俗成的。

#filename : settings.py
#obey robots.txt rules
ROBOTSTXT__OBEY = False

分析頁面

編寫爬蟲程序之前，首先需要對(duì)待爬取的頁面進(jìn)行分析，主流的瀏覽器中都帶有分析頁面的工具或插件，這里我們選用Chrome瀏覽器的開發(fā)者工具(Tools→Developer tools）分析頁面。

數(shù)據(jù)信息

在Chrome瀏覽器中打開頁面http://lquotes.toscrape.com，然后選擇"Elements"，查看其HTML代碼。

可以看到每一個(gè)標(biāo)簽都包裹在

編寫spider

分析完頁面后，接下來編寫爬蟲。在Scrapy中編寫一個(gè)爬蟲， 在scrapy.Spider中編寫代碼Spider是用戶編寫用于從單個(gè)網(wǎng)站(或者-些網(wǎng)站)爬取數(shù)據(jù)的類。

其包含了-個(gè)用于下載的初始URL,如何跟進(jìn)網(wǎng)頁中的鏈接以及如何分析頁面中的內(nèi)容，提取生成item的方法。

為了創(chuàng)建一個(gè)Spider, 您必須繼承scrapy.Spider類，且定義以下三個(gè)屬性:

• name:用于區(qū)別Spider。該名字必須是唯一-的, 您不可以為不同的Spider設(shè)定相同的名字。
• start _urls:包含了Spider在啟動(dòng)時(shí)進(jìn)行爬取的ur列表。因此， 第一個(gè)被獲取到的頁面將是其中之一。后續(xù)的URL則從初始的URL獲取到的數(shù)據(jù)中提取。
• parse():是spider的一一個(gè)方法。被調(diào)用時(shí)，每個(gè)初始URL完成下載后生成的Response對(duì)象將會(huì)作為唯一的參數(shù)傳遞給該函數(shù)。該方法負(fù)責(zé)解析返回的數(shù)據(jù)(response data),提取數(shù)據(jù)(生成item)以及生成需要進(jìn)一步處理的URL 的Request對(duì)象。

import scrapy
 
class QuoteSpi der(scrapy . Spider):
    name ='quote'
    allowed_ domains = [' quotes. com ']
    start_ urls = ['http://quotes . toscrape . com/']
    
    def parse(self， response) :
        pass

下面對(duì)quote的實(shí)現(xiàn)做簡(jiǎn)單說明。

• scrapy.spider :爬蟲基類，每個(gè)其他的spider必須繼承自該類(包括Scrapy自帶的其他spider以及您自己編寫的spider)。
• name是爬蟲的名字，是在genspider的時(shí)候指定的。
• allowed_domains是爬蟲能抓取的域名，爬蟲只能在這個(gè)域名下抓取網(wǎng)頁，可以不寫。
• start_ur1s是Scrapy抓取的網(wǎng)站，是可迭代類型，當(dāng)然如果有多個(gè)網(wǎng)頁，列表中寫入多個(gè)網(wǎng)址即可，常用列表推導(dǎo)式的形式。
• parse稱為回調(diào)函數(shù)，該方法中的response就是start_urls 網(wǎng)址發(fā)出請(qǐng)求后得到的響應(yīng)。當(dāng)然也可以指定其他函數(shù)來接收響應(yīng)。一個(gè)頁面解析函數(shù)通常需要完成以下兩個(gè)任務(wù):
  

1.提取頁面中的數(shù)據(jù)(re、XPath、CSS選擇器)
2.提取頁面中的鏈接，并產(chǎn)生對(duì)鏈接頁面的下載請(qǐng)求。
頁面解析函數(shù)通常被實(shí)現(xiàn)成一個(gè)生成器函數(shù)，每一項(xiàng)從頁面中提取的數(shù)據(jù)以及每一個(gè)對(duì)鏈接頁面的下載請(qǐng)求都由yield語句提交給Scrapy引擎。

解析數(shù)據(jù)

import scrapy
 
def parse(se1f，response) :
    quotes = response.css('.quote ')
    for quote in quotes:
        text = quote.css( '.text: :text ' ).extract_first()
        auth = quote.css( '.author : :text ' ).extract_first()
        tages = quote.css('.tags a: :text' ).extract()
        yield dict(text=text，auth=auth，tages=tages)

重點(diǎn)：

• response.css(直接使用css語法即可提取響應(yīng)中的數(shù)據(jù)。
• start_ur1s 中可以寫多個(gè)網(wǎng)址，以列表格式分割開即可。
• extract()是提取css對(duì)象中的數(shù)據(jù)，提取出來以后是列表，否則是個(gè)對(duì)象。并且對(duì)于
• extract_first()是提取第一個(gè)

運(yùn)行爬蟲

在/quotes目錄下運(yùn)行scrapycrawlquotes即可運(yùn)行爬蟲項(xiàng)目。
運(yùn)行爬蟲之后發(fā)生了什么?

Scrapy為Spider的start_urls屬性中的每個(gè)URL創(chuàng)建了scrapy.Request對(duì)象，并將parse方法作為回調(diào)函數(shù)(callback)賦值給了Request。

Request對(duì)象經(jīng)過調(diào)度，執(zhí)行生成scrapy.http.Response對(duì)象并送回給spider parse()方法進(jìn)行處理。

完成代碼后，運(yùn)行爬蟲爬取數(shù)據(jù)，在shell中執(zhí)行scrapy crawl SPIDER_NAME>命令運(yùn)行爬蟲'quote',并將爬取的數(shù)據(jù)存儲(chǔ)到csv文件中:

(base) λ scrapy craw1 quote -o quotes.csv
2021-06-19 20:48:44 [scrapy.utils.log] INF0: Scrapy 1.8.0 started (bot: quotes)

等待爬蟲運(yùn)行結(jié)束后，就會(huì)在當(dāng)前目錄下生成一個(gè)quotes.csv的文件，里面的數(shù)據(jù)已csv格式存放。

-o支持保存為多種格式。保存方式也非常簡(jiǎn)單，只要給上文件的后綴名就可以了。(csv、json、pickle等)

到此這篇關(guān)于Python爬蟲基礎(chǔ)之初次使用scrapy爬蟲實(shí)例的文章就介紹到這了,更多相關(guān)Python scrapy框架內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！