该命令会在project_dir文件加下创建一个名为project_name的Scrapy新项目。如果project_dir没有指定,project_dir与project_name相同。
_执行命令:
scrapy startproject baidu
之后会在指定文件夹创建如下文件:_
(2)创建爬虫文件
{
创建一个bdSpider的类,它必须继承scrapy.Spider类,需要定义以下三个属性:
name: spider的名字,必须且唯一
start_urls: 初始的url列表
parse(self, response) 方法:每个初始url完成之后被调用。这个函数要完成一下两个功能:
解析响应,封装成item对象并返回这个对象
提取新的需要下载的url,创建新的request,并返回它
我们也可以通过命令创建爬虫
语法格式:scrapy genspider [-t template]
运行命令:scrapy genspider bd www.baidu.com
会在spiders文件下生成bd.py文件
}
1.首先:
cd 到项目下
2.第二步:
scrapy genspider [options]
scrapy genspider bd www.baidu.com
会创建在项目/spider下 ;其中bd 是爬虫文件名, www.baidu.com 是 url(域名)
**执行命令:
scrapy genspider bd www.baidu.com
之后再项目/spider下创建的文件为:**
-- coding: utf-8 --
import scrapy
class BdSpider(scrapy.Spider): #继承了scrapy.Spider类
name = ‘bd’ #名字是唯一的(不重复) 因为我们在启动项目的时候,是根据这个名字来找爬虫文件的
allowed_domains = [‘www.baidu.com’] #允许的域名 (限制) 可以没有这个限制!
start_urls = [‘http://www.baidu.com/’] #首个请求(必须要有) 不然开始都开始不了,怎么让整个框架运行下去呢!
def parse(self, response): #必须是parse函数 不可以乱改名 接收下载器下载的数据
print(“*******”) #用于更直观的观察框架能否正常运行!
print(“*******”)
print(“*******”)
print(“*******”)
print(“*******”)
print(“*******”)
print(response) #response对象
#获取数据 两种方法:
print(response.body.decode()) #获取到的是字节码形式
print(response.text)
注意:最后引擎给spider模块的数据就给到了函数parse里的形参response:
(3)运行爬虫文件
一步即可:
scrapy crawl [options]
其中spider是爬虫文件名
**执行命令:
scrapy crawl bd**
但是!我们运行爬虫文件之后,发现用于测试的print函数没有显示,经过检查终端输出的数据可知Scrapy框架是默认遵循robots协议的,所以咱们肯定获取不到数据了!!!
如何解决这个问题呢?
打开设置文件settings.py,将其中的以下代码更改为False即可!
Obey robots.txt rules
ROBOTSTXT_OBEY = True
拓展:第二种运行scrapy的方法!
cd 到爬虫模块spiders文件夹下,运行命令:
scrapy runspider 爬虫py文件名
注意:爬虫py文件名要带.py后缀!
高级拓展:(注意:以上两种运行scrapy框架的方法都无法进行debug,非常不方便!万一出问题了,岂不是很难找!!!所以:推出第三种启动scrapy框架的方法-----django在创建项目的时候自动生成一个启动项目的py文件【manage.py或者main.py】,而scrapy框架没有,但是我们可以自己定义呀!!!!!)
1.在项目文件夹下创建名为main.py或者manage.py的py文件:
2.在此py文件下编写代码如下:
from scrapy.cmdline import execute
import sys
import os
保证终端执行 “scrapy”, “crawl”, “bd” 这个命令运行不出现路径问题!(可以不写!)
sys.path.append(os.path.dirname(os.path.abspath(file)))
execute([“scrapy”, “crawl”, “bd”])
3.现在,我们可以直接运行这个py文件,会发现会和前两种方法一样运行scrapy框架;而且,强大的是:我们还可以通过debug此py文件达到调试此scrapy框架的作用!!!
1.创建项目:
scrapy startproject douban
2.创建爬虫文件:
scrapy genspider db www.summer.com
(注意:这个域名是可以随便写的【但是必须要写哦!】,等爬虫文件生成之后再进相应的爬虫文件改为我们所需的即可!)
-- coding: utf-8 --
import scrapy
class DbSpider(scrapy.Spider):
name = ‘db’
allowed_domains = [‘movie.douban.com’]
start_urls = [‘https://movie.douban.com/top250’]
def parse(self, response):
print(“*********”)
print(“*********”)
print(“*********”)
print(“*********”)
print(“*********”)
print(response.text)
3.运行爬虫文件:
scrapy crawl db
但是,我们运行之后发现又没有获取到数据哎!
造成这样的原因是:回想爬虫的基础,我们如果直接这样向网页发送请求进行爬取,那服务端一眼就看到咱是scrapy了,它还会理咱嘛?所以我们要设置请求头!
4.设置请求头:
在配置文件settings.py中找到如下代码取消注释并加入爬取网页请求头的User-Agent即可!
5.获取到电影名字:
{
到现在,我们运行爬虫文件,Scrapy框架已经可以获取到网页的首页数据。那么,我们如何筛选出我们想要的电影的名字呢?
考虑到我们如果利用xpath匹配,可能要多次尝试才能正确匹配到,那就需要我们一次又一次的运行咱的项目,多麻烦啊!咱都这样想了,人家大牛也这样想啊,所以,在这里有个贼帅贼帅的牛皮的方法:
使用shell交互式平台:(注意1:它是遵循settings设置的;注意2:一定要到咱的项目文件夹下运行;)
首先:cd到我们项目的文件路径下。
然后:输入命令scrapy shell url (start_url) 即可!
这样:它其实就请求到了此url的数据(跟上面运行爬虫文件得到的数据一模一样)!!!
}
首先:打开我们的shell交互式平台。
再此项目中:输入命令scrapy shell https://movie.douban.com/top250
第二步:在shell交互式平台中匹配我们所需的电影数据。
输入:response.xpath(’//div[@class=“info”]/div/a/span[1]/text()’)
(
会发现:这得到的是一个selector对象!
而我们得到的数据就是用的response对象自带的xpath匹配到的(生成了response之后就会自动生成selector对象)!
与我们正常用的xpath不同,它获取到的数据在selector对象里,如上图:
)
第三步:从selector对象中提取电影名字
使用selector对象的方法.extract()。这个方法可以提取到selector对象中data对应的数据。
response.xpath(’//div[@class=“info”]/div/a/span[1]/text()’).extract()
6.将获取到的电影的信息存储到text文本中
{
注意:如果想要存储数据,就要用到管道。
这就涉及到了items.py文件(定义结构化数据字段)和pipelines.py文件(管道文件)。
}
首先:操作items.py文件
因为我们只需要存储一个信息,所以定义一个字段名即可!
{
定义公共输出数据格式,Scrapy提供了Item类。Item对象是用于收集剪贴数据的简单容器。它们提供了一个类似词典的API,提供了一种方便的语法来声明它们的可用字段。 scray.Item对象是用于收集抓取数据的简单容器,使用方法和python的字典类似。编辑项目目录下items.py文件。
然后我们只需要在爬虫中导入我们定义的Item类,实例化后用它进行数据结构化。
}
-- coding: utf-8 --
Define here the models for your scraped items
See documentation in:
https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
252731a671c1fb70aad5355a2c5eeff0.png)
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
[外链图片转存中…(img-XTZVw1PH-1711863341796)]