Python爬虫Scrapy入门看这篇就够了

最新推荐文章于 2024-07-21 14:00:00 发布

程序员大咖

最新推荐文章于 2024-07-21 14:00:00 发布

阅读量6.1k

点赞数 1

点击上方“程序员大咖”，选择“置顶公众号”

关键时刻，第一时间送达！

一、初窥scrapy

scrapy中文文档:

http://scrapy-chs.readthedocs.io/zh_CN/latest/

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。

scrapy是一个很好的爬虫框架，集爬取、处理、存储为一体，为无数爬虫爱好者所热捧，但个人认为对初学者并不友好，建议初学者打好基础再来看scrapy。

二、昨夜西风凋碧树，独上高楼，望尽天涯路（安装库）

本以为自己安装Python库已经有一定的理解和方法了，结果还是栽在了安装scrapy库上，本人是win7系统+Python3.5的环境。先给大家丢个安装Python库的网站:

http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml

1 lxml库的安装通过网站下载安装（具体安装方法见后面视频）
2 zope.interface库安装 pip3 install zope.interface
3 twisted库安装通过网站下载安装
4 pyOpenSSL库安装 pip3 install pyOpenSSL
5 pywin32库安装通过网站下载安装
6 pip3 install scrapy

你以为这样就结束了，天真，我在运行程序的时候说没有pywin32的DLL，当时我一脸懵逼，用黑窗口导入pywin32结果报错，还好在好友的帮助下解决了。

错误图

解决方法1

解决方法2

把图三的文件拷贝到C:WindowsSystem32

三、衣带渐宽终不悔，为伊消得人憔悴（各种出错）

创建scrapy项目：

scrapy startproject xiaozhu #今天还是爬取小猪短租数据

scrapy项目文件结构：

xiaozhu/
    scrapy.cfg #配置文件
    xiaozhu/
        __init__.py
        items.py #定义需要抓取并需要后期处理的数据
        pipelines.py #用于后期数据处理的功能
        settings.py #文件配置scrapy
        spiders/
            __init__.py
            ...

1 错误一

错误图

出错原因

解决方案代码见下

2 错误二

无法导出为csv，看了向右奔跑的导出csv代码，在我本地电脑无法导出
然来去scrapy文档看了下，对settings.py进行了修改如下：
FEED_URI = 'file:C://Users/Administrator/Desktop/xiaozhu.csv'
FEED_FORMAT = 'csv' #csv小写

四、纵里寻他千百度，蓦然回首，那人却在灯火阑珊处（代码运行成功）

1 items.py代码
from scrapy.item import Item,Field

class XiaozhuItem(Item):
    address = Field()
    price = Field()
    lease_type = Field()
    bed_amount = Field()
    suggestion = Field()
    comment_star = Field()
    comment_amount = Field()
2 新建xiaozhuspider.py
import scrapy
import sys
sys.path.append("..") #解决问题1
from scrapy.spiders import CrawlSpider
from scrapy.selector import Selector
from scrapy.http import Request
from xiaozhu.items import XiaozhuItem

class xiaozhu(CrawlSpider):
    name = 'xiaozhu'
    start_urls = ['http://bj.xiaozhu.com/search-duanzufang-p1-0/']

    def parse(self, response):
        item = XiaozhuItem()
        selector = Selector(response)
        commoditys = selector.xpath('//ul[@class="pic_list clearfix"]/li')

        for commodity in commoditys:
            address = commodity.xpath('div[2]/div/a/span/text()').extract()[0]
            price = commodity.xpath('div[2]/span[1]/i/text()').extract()[0]
            lease_type = commodity.xpath('div[2]/div/em/text()').extract()[0].split('/')[0].strip()
            bed_amount = commodity.xpath('div[2]/div/em/text()').extract()[0].split('/')[1].strip()
            suggestion = commodity.xpath('div[2]/div/em/text()').extract()[0].split('/')[2].strip()
            infos = commodity.xpath('div[2]/div/em/span/text()').extract()[0].strip()
            comment_star = infos.split('/')[0] if '/' in infos else '无'
            comment_amount = infos.split('/')[1] if '/' in infos else infos

            item['address'] = address
            item['price'] = price
            item['lease_type'] = lease_type
            item['bed_amount'] = bed_amount
            item['suggestion'] = suggestion
            item['comment_star'] = comment_star
            item['comment_amount'] = comment_amount

            yield item

        urls = ['http://bj.xiaozhu.com/search-duanzufang-p{}-0/'.format(str(i)) for i in range(1, 14)]
        for url in urls:
            yield Request(url, callback=self.parse)

3 新建main.py（运行main.py就可以运行爬虫了）
from scrapy import cmdline
cmdline.execute("scrapy crawl xiaozhu".split())


结果