Python Scrapy之小白爬虫笔记

爬虫四目标：

1、新建项目

2、明确目标

3、制作爬虫

4、存储内容

第一步：新建目标

             scrapy startproject 项目名称

             创建编写正则表达式的文件

             scrapy genspider app名称（不可与项目名称同名）

第二步：明确目标，分析网站你要抓取什么网页内容和信息

              在items.py 里面明确目标、定义抓取内容

第三步：制作爬虫  在app里面创建的文件中编写

            项目运行，进入项目目录，scrapy crawl app项目名称

settings.py 项目设置文件

# 项目设置文件，全局项目设置

# 定义抓取域
#USER_AGENT = 'douban (+http://www.yourdomain.com)'

# 并发量
#CONCURRENT_REQUESTS = 32
# 下载延迟
DOWNLOAD_DELAY = 0.5
# 域名并发量
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
# IP并发量
#CONCURRENT_REQUESTS_PER_IP = 16
# 抓取登录时候使用
#COOKIES_ENABLED = False
# 使用时候开启
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
# 使用时候开启
#SPIDER_MIDDLEWARES = {
#    'douban.middlewares.DoubanSpiderMiddleware': 543,
#}
# 注册完信息在这个里面进行开启
#ITEM_PIPELINES = {
#    'douban.pipelines.DoubanPipeline': 300,
#}
items.py文件，定义抓取目标，定义数据结构，所有的item都可以定义进去

app里面定义的正则表达式文件

import scrapy

# 查重文件
class DoubanSpiderSpider(scrapy.Spider):
    # 爬虫名
    name = 'douban_spider'
    # 允许的域名
    allowed_domains = ['movie.bouban.com']
    # 引擎会要一个入口url,扔到调度器里面去，然后将请求扔到引擎里面，然后把请求扔到下载器中，下载器分析解析，然后返回给douban_spider文件
    start_urls = ['http://movie.bouban.com/top250']
    #


    # 解析数据,存储数据
    def parse(self, response):
        print(response.text)
# 第二步明确目标
# 分析抓取https://movie.douban.com/top250网站那些内容
# 第三步爬虫文件的编写