命令行下载jar包
pip install xxxxxx -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
使用上面的命令下载wheel、lxml、twisted、pywin32、scrapy五个jar包,xxxxxx内填包名
命令行创建项目
scrapy startproject yc yc是项目名
创建py文件
scrapy genspider baidu www.baidu.com baidu是文件名 文件名后写网址
在项目中的settings.py文件里设置:
ROBOTSTXT_OBEY = False 不遵从机器人协议
DOWNLOAD_DELAY = 3 下载延迟3秒,即下载时间最多不超过3秒
默认请求头
DEFAULT_REQUEST_HEADERS={
‘Accept’: ‘text/html,application/xhtml+xml,application/xml;q=0.9,/;q=0.8’,
‘Accept-Language’:‘en’,
‘User-Agent’:‘Mozilla/5.0(Windows NT 6.2;WOW64)AppleWebKit/537.36(KHTML,like Gecko)Chrome/27.0.1453.94 Safari/537.36’#浏览器的类型,这一行的值要到浏览器里面找。Ctrl+Shift+I打开开发者工具->点击第一行的Network->点击Name下的一个文件名->点击Headers往下滑动即可找到
}
#管道优先级
ITEM_PIPELINES = {
‘TXmovies.pipelines.TxmoviesPipeline’: 300,
}
run.py文件
from scrapy import cmdline
#执行命令行 为什么要以空格分隔分割成列表来执行
cmdline.execute('scrapy crawl txms'.split())#'scrapy crawl txms'.split()输出成了列表 ['scrapy','crawl','txms']
pipelines.py文件
class TxmoviesPipeline(object):
def process_item(self, item, spider):
print(item)
return item
txms.py文件
import scrapy
# ..回退一层文件夹
from ..items import TxmoviesItem
class TxmsSpider(scrapy.Spider):
name = 'txms'
allowed_domains = ['v.qq.com']
start_urls = [
'https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset=0&pagesize=30']
#位移
offset = 0
def parse(self, response):
#定义数据结构
items = TxmoviesItem()
#将页面解析数据放到列表,每个页面有多个这种div,解析完后就有多条,存到列表
lists = response.xpath('//div[@class="list_item"]')# response.xpath('//div[@class="list_item"]')是列表
#遍历列表将数据存到数据结构item
for i in lists:
#从每个div中提取电影名字
items['name'] = i.xpath('./a/@title').get() #xpath查找a链接下的标题信息
#从每个div中提取电影描述
items['description'] = i.xpath('./div/div/@title').get()
#移交控制权给管道
yield items
#若位移小于120
if self.offset < 120:
#位移修改
self.offset += 30
url = 'https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset={}&pagesize=30'.format(
str(self.offset)) # .format(str(self.offset))填充内容到offset={}
#url = 'https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset={'+str(self.offset)+'}&pagesize=30'
#回调parse函数
yield scrapy.Request(url=url, callback=self.parse)# callback