scrapy案例_陈胜

1.创建项目打开一个终端输入（建议放到合适的路径下，默认是C盘）
scrapy startproject TXmovies
cd TXmovies 
scrapy genspider txms v.qq.com

2.修改setting
修改三项内容，第一个是不遵循机器人协议，第二个是下载间隙，由于下面的程序要下载多个页面，所以需要给一个间隙（不给也可以，只是很容易被侦测到），第三个是请求头，添加一个User-Agent，第四个是打开一个管道
ROBOTSTXT_OBEY=False
DOWNLOAD_DELAY=1
DEFAULT_REQUEST_HEADERS{
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language':'en',
'UserAgent':'Mozilla/5.0(WindowsNT6.2;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/27.0.1453.94Safari/537.36'
}
ITEM_PIPELINES={
    'TXmovies.pipelines.TxmoviesPipeline':300,
}

3.确认要提取的数据，item项
item定义你要提取的内容（定义数据结构），比如我提取的内容为电影名和电影描述，我就创建两个变量。Field方法实际上的做法是创建一个字典，给字典添加一个建，暂时不赋值，等待提取数据后再赋值。下面item的结构可以表示为：{'name':'','descripition':''}
#-*-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
class TxmoviesItem(scrapy.Item):
    #definethefieldsforyouritemherelike:
    #name=scrapy.Field()
    name=scrapy.Field()
    description=scrapy.Field(）

4.写爬虫程序
引入刚刚写好的item,刚刚说了item里面创建的变量就是字典的键值，可以直接进行赋值。赋值后交给管道处理。
简单讲一下这一段代码的思路，首先腾讯视频的url为https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset=0&pagesize=30append=1&channel=cartoon&iarea=1&listpage=2&offset=0&pagesize=30
我们注意到offset这一项，第一页的offset为0，第二页为30，依次推列。在程序中这一项用于控制抓取第一页，但是也要给一个范围，不可能无限大，否则会报错，可以去看看腾讯一共有多少页视频，也可以写一个异常捕获机制，捕捉到请求出错则退出。我这里仅仅是示范，所以只给了120，也就是4页。

yield
程序里一共有两个yield，我比较喜欢叫它中断，当然中断只在CPU中发生，它的作用是移交控制权，在本程序中，我们对item封装数据后，就调用yield把控制权给管道，管道拿到处理后return返回，又回到该程序。这是对第一个yield的解释。
第二个yield稍微复杂点，这条程序里利用了一个回调机制，即callback,回调的对象是parse,也就是当前方法，通过不断的回调，程序将陷入循环，如果不给程序加条件，就会陷入死循环，如本程序我把if去掉，那就是死循环了。
yield scrapy.Request(url=url,callback=self.parse)

xpath
还有一个要注意的是如何提取xpathl里的数据，我们的写法有四种，第一种写法拿到selector选择器，也就是原数据，里面有一些我们用不到的东西。第二个extract()，将选择器序列号为字符串。第三个和第四个一样，拿到字符串里的第一个数据，也就是我们要的数据。
items['name']=i.xpath('./a/@title'[0]
items['name']=i.xpath('./a/@title').extract()
items['name']=i.xpath('./a/@title').extract_first()
items['name']=i.xpath('./a/@title').get()

#-*-coding:utf-8-*-
impor scrapy
from..items import TxmoviesItem
class TxmsSpider(scrapy.Spider):
    name='txms'
    allowed_domains=['v.qq.com']
    start_urls=['http://t.cn/A66lwulD]
    offset=0
    def parse(self,response):
        items=TxmoviesItem()
        lists=response.xpath('//div[@class="list_item"]')
        for i in lists:
            items['name']=i.xpath('./a/@title').get()
            items['description']=i.xpath('./div/div/@title').get()
            yield items
        if self.offset<120:
            self.offset+=30
            url='http://t.cn/A66lwule{}&pagesize=30'.format(str(self.offset))
            yield scrapy.Request(url=url,callback=self.parse)

5.交给管道输出
#-*-coding:utf-8-*-
#Define your item pipelines here
##Don't forget to add your pipeline to the ITEM_PIPELINESsetting
#See:Item Pipeline — Scrapy 2.6.1 documentation

class TxmoviesPipeline(object):
    def process_item(self,item,spider):
        print(item)
        returnitem

6.run，执行项目
from scrapy import cmdline
cmdline.execute('scrapycrawltxms'.split()