爬虫学习 scrapy 入门

这篇文章转载于：https://blog.csdn.net/Hampton_Chen/article/details/81147110 这里作为简便的记录

基础知识：xpath的基本用法 ：https://blog.csdn.net/manongpengzai/article/details/77109600

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。

Scrapy主要包含了以下几个组件：

引擎（Scrapy）：用来处理整个系统的数据流，触发事务（框架核心）。
调度器（Scheduler）：用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)：用于下载网页内容,并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)：爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)：负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)：位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)：介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

第一个爬虫

进入到打算存储代码的目录中，运行下列命令，创建一个新的Scrapy项目。

scrapy startproject scrapydemo

这些文件分别是：

scrapy.cfg: 项目的配置文件
scrapydemo/ ：该项目的python模块，之后将在这里加入代码
items.py：项目中的items文件
middlewares.py：项目中的middlewares文件
pipelines.py：项目中的pipelines文件
setting.py：项目的设置文件
spiders/：放置spider代码的目录
 

接下来我们要爬取我另一篇博客的内容:https://blog.csdn.net/Littlewhite520/article/details/103894278

通过以下命令进入该项目所在的目录，并在spiders目录下生成一个spider文件csdn.py：

cd scrapydemo
scrapy genspider csdn https://blog.csdn.net/Littlewhite520/article/details/103894278

打开该博客文章如下，我们这次主要抓取文件的标题、发布时间和阅读数
2、编写items.py文件：
在items.py文件中定义我们要抓取的数据：

import scrapy

class ScrapydemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    time = scrapy.Field()

3、实现Pipelines
Pipeline用来对spider返回的item列表进行数据的保存等操作，可以写入文件或保存到数据库，这里我只是将数据打印出来。
代码如下：

class ScrapydemoPipeline(object):
    def process_item(self, item, spider):
        print('======================')
        text = "标题：" + item['title'] +"\n发布时间：" + item['time'] + "\n" + item['read_count']
        print(text)
        print('======================')
        return item

4、修改settings配置

上面三行是系统自动配置的，不需要修改，我们主要添加下列代码：

USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
ITEM_PIPELINES = {
   'scrapydemo.pipelines.ScrapydemoPipeline': 300,
}

 

5、实现spider
在实现spider之前，我们需要通过浏览器打开我们要抓取的目标网站，通过F12打开页面调试窗口，找到我们要抓取的数据对应的element，如下图：

 

 

Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员

name: 名字，这个spider的标识，在爬虫项目中是唯一的

start_urls:一个url列表，spider从这些网页开始抓取

parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表

所以在spiders目录下新建一个spider，csdn.py:
 

# -*- coding: utf-8 -*-
import scrapy
from scrapydemo.items import ScrapydemoItem

class CsdnSpider(scrapy.Spider):
    name = "csdn"
    allowed_domains = ["blog.csdn.net"]
    start_urls = ['https://blog.csdn.net/hampton_chen/article/details/52229327/']

    def parse(self, response):
        item = ScrapydemoItem()

        item['title'] = response.xpath('//h1[@class="title-article"]/text()').extract()[0]
        item['time'] = response.xpath('//span[@class="time"]/text()').extract()[0]
        item['read_count'] = response.xpath('//span[@class="read-count"]/text()').extract()[0]

        yield item

5.运行

在 pycharm的终端里面运行

scrapy crawl csdn