python scrapy爬取网站数据二（scrapy使用详细介绍）

上篇文章 python scrapy爬取网站数据一 从一个简单的例子中给大家呈现了scrapy的使用，本篇将对scrapy的常用写法 做一个简单的介绍。

1、scrapy工程创建

在命令行输入如下命令，创建一个使用scrapy框架的工程

scrapy startproject scrapyDemo

创建好后的工程结构如下图

输入如下命令，在工程目录中创建示例代码

PS C:\ProjectPycharm> cd scrapyDemo
PS C:\ProjectPycharm\scrapyDemo> scrapy genspider example example.com
Created spider 'example' using template 'basic' in module:
  scrapyDemo.spiders.example

上面的工程文件说明

• scrapyDemo/spiders/ 爬虫目录，如：创建文件，编写爬虫规则
• scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）(一般不需要做修改）
• items.py 设置数据存储模板，用于结构化数据，如：Django的Model，定义的结构可在piplines中、example.py中使用
• pipelines.py 数据处理行为，如：一般结构化的数据持久化（保存到excel、保存到数据库、下载图片到本地等）
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等

2、scrapy简单爬虫代码

本示例代码以爬取今日头条的新闻，抓取标题和内容并保存为本地文件。

1）定义爬取的条目（item）

该条目的信息 在items.py中定义，在example.py中填充，通过pipelines.py保存到excel

# items.py
import scrapy
class ScrapydemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()  # 新闻标题
    content = scrapy.Field() # 新闻内容
    pass

2）爬取信息

在example.py中编写爬取信息代码，首先访问FT中文网-中国咨询，然后遍历新闻分类banner，然后访问该分类，在获取该分类下的新闻列表，然后访问每条新闻的详细信息页，保存新闻标题和内容到item中

① xpath分析

财经的xpath截取为：

categoryLinks = response.xpath('//li[@data-section="china"]/ol[@class="nav-items"]/li[@class="nav-item"]/a/@href').extract()
categoryNames = response.xpath('//li[@data-section="china"]/ol[@class="nav-items"]/li[@class="nav-item"]/a/text()').extract()

② 爬取代码

在发起请求函数scrapy.Request中可以传入自定义值到meta这个变量中，可以在自定义分析函数中获取到请求中的自定义参数

# -*- coding: utf-8 -*-
import scrapy
from scrapyDemo.items import ScrapydemoItem
headers = {
    'accept':'application/json, text/javascript',
    'accept-encoding':'gzip, deflate, br',
    'accept-language':'zh-CN,zh;q=0.9',
    'content-type':'application/x-www-form-urlencoded',
    'user-agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
    'x-requested-with':'XMLHttpRequest'
}

class ExampleSpider(scrapy.Spider):
    name = 'ExampleSpider'
    allowed_domains = ['www.ftchinese.com']
    start_urls = []

    def start_requests(self):
        yield scrapy.Request('http://www.ftchinese.com/channel/china.html',headers=headers,meta={'baseUrl': 'http://www.ftchinese.com/'}, callback=self.parse)

    def parse(self, response):
        baseUrl = response.meta['baseUrl']
        categoryLinks = response.xpath('//li[@data-section="china"]/ol[@class="nav-items"]/li[@class="nav-item"]/a/@href').extract()
        categoryNames = response.xpath('//li[@data-section="china"]/ol[@class="nav-items"]/li[@class="nav-item"]/a/text()').extract()

        i = 0
        for categoryLink in categoryLinks:
            #  meta={'category': categoryNames[i]} 用于scrapy爬取信息分散在多个页面，
            #  用于向后面的parse传递前面parse分析得到的内容
            yield scrapy.Request(baseUrl+categoryLink,headers=headers,meta={'category': categoryNames[i],'baseUrl':baseUrl},
                                 callback=self.parseTwise)
            i = i+1


    def parseTwise(self,response):
        baseUrl = response.meta['baseUrl']
        newLinks = response.xpath('//a[@class="item-headline-link"]/@href').extract()
        for newLink in newLinks:
            yield scrapy.Request(baseUrl+newLink,headers=headers, meta=response.meta,callback=self.parseThird)


    def parseThird(self,response):
        category = response.meta['category']
        newTitle = response.xpath('//h1[@class="story-headline"]/text()').extract()
        newContent = response.xpath('//h1[@class="story-body"]/text()').extract()

        item = ScrapydemoItem()
        item['category'] = category
        item['title'] = if len(newTitle)<=0 else newTitle[0]
        item['content'] = '' if len(newContent)<=0 else newContent[0]
        yield item

3）保存内容

在pipelines.py中编写保存文件代码

import os

class ScrapydemoPipeline(object):
    def process_item(self, item, spider):
        basePath = "c:\\ft_news\\"
        fileFolder = basePath + "\\" + item['category']
        filePath = fileFolder+"\\"+item['title']+".txt"
        if not os.path.exists(fileFolder):  # 判断当前路径是否存在，没有则创建new文件夹
            os.makedirs(fileFolder)
        file = open(filePath, 'w')
        file.write(item['content'])  # 写入内容信息

        file.close()
        print(filePath)
        return item

4）工程启用功能配置

想让 ScrapydemoPipeline起作用，我们还需要在settings.py中添加开启pipline（开启通道）代码。

# settings.py文件代码
BOT_NAME = 'scrapyDemo'

SPIDER_MODULES = ['scrapyDemo.spiders']
NEWSPIDER_MODULE = 'scrapyDemo.spiders'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# 开启pipline
ITEM_PIPELINES = {
    'scrapyDemo.pipelines.ScrapydemoPipeline':300
}
# 设置爬取速度，一般为0.25~0.3(即250ms~300ms)间，设置的时间太短，网关防火墙会截获连接认为是恶意访问
DOWNLOAD_DELAY = 0.3

3、总结

本篇博客记录了scrapy常用的功能，同时还在示例代码中展示了 多级访问共享参数的方式，即

# meta中放入共享参数即可
scrapy.Request(baseUrl+categoryLink,headers=headers,
                meta={'category': categoryNames[i],'baseUrl':baseUrl},
                callback=self.parseTwise)