框架的使用（一）：scrapy

认识框架:scrapy

以前的爬虫，我们所使用的是只是简单的在Python编译器下的爬取，现在，我们要使用一个简单易用的框架来实现我们的功能,今天主要讲解的是scrapy框架

认识一下：

scrapy是为了爬取网站上的结构性的数据而设计的运用框架，假如你没有得到这个网站的API和通过程序获取信息外，那么scrapy可以帮助你

创建第一个爬虫：

准备：系统（Ubuntu16.04） 编译环境：pycharm

实现的功能：爬取部分的网站，比如：京东  唯品会 糯米

新建一个scrapy 项目：scrapy startproject newproject

显示如下则为创建成功

创建好的结构：

程序代码如下：

items.py：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

from scrapy.item import Item, Field
class NewprojectItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    url =  scrapy.Field()
    title =scrapy.Field()
    link =scrapy.Field()
    pass

详细的讲解：

Item 是保存爬取到的数据的容器；其使用方法和python字典类似， 并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。

类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field 的类属性来定义一个Item。 (如果不了解ORM, 不用担心，您会发现这个步骤非常简单)

首先根据需要从dmoz.org获取到的数据对item进行建模。 我们需要从dmoz中获取名字，url，以及网站的描述。 对此，在item中定义相应的字段。编辑 tutorial 目录中的 items.py 文件:

sittings.py

# -*- coding: utf-8 -*-

# Scrapy settings for newproject project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     http://doc.scrapy.org/en/latest/topics/settings.html
#     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'newproject'

SPIDER_MODULES = ['newproject.spiders']
NEWSPIDER_MODULE = 'newproject.spiders'

pipelines.py

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html


class NewprojectPipeline(object):
    def process_item(self, item, spider):
        return item

dmoz_spider.py

from scrapy.spider import Spider


class DmozSpider(Spider):
    name = "dmoz"
    allowed_domains = ["peihua.cn"]
    start_urls = [
        "http://www.peihua.cn/zhaosheng/default.aspx",
        "http://www.peihua.cn/library/default.aspx"
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2]
        open(filename, 'wb').write(response.body)

详细的讲解：

name:必须的是唯一的，您不可以为不同的的spider设置相同的名字

allowed_domains:允许的域名，这个是你的爬虫爬取的时候需要的总网站

start_urls:包含了了爬虫爬取所需要的不同的URL列表，这个可以是一个也可以是多个，因此第一个被获取的页面将是其中的一个，后续的URL则是从URL获取到的数据中提取

parse():这个是spider的一个方法，被调用时候，每个初始URL完成下载后生成的response对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据（相应的数据  response data），提取数据以及生成需要下一步处理的request 对象。

特别注意的是：这里面涉及到的知识点有很多，比如：def ()  正则表达式   spilt()    with ...  as ...:  但是不要紧，这部分的知识点在我的博客中都是有的

那么这样的话就可以爬去得到你想要的这个了，如果你显示的是以下的，那么你就成功了

还有你在你的文件（newproject）下面可以看到以下的这些

最后祝您爬取的更加的牛逼，谢谢观看