目标如题
先进入cmd进入想要创建项目的文件夹,
例如cd C:\Users\MI\Desktop\python学习\python爬虫学习内容\13_scrapy1
然后在cmd输入 crapy startproject dangdang
这样就创建了一个scrapy的项目框架
如下图
进入douban
再进入douban文件夹(子)
spider文件夹内部:
其中的bestseller.py , main.py文件在创建scrapy框架时时没有的,后续会提到
创建框架部分说完了。接着是代码部分(具体结构在另一个文章内有写链接:https://blog.csdn.net/gaoshayo/article/details/120189934)
首先在spider内创建bestseller.py ,主要的代码(定义爬取网页,爬取方式,包括暂存item的主要代码)内容均在这里。
参考即可
from ..items import DangdangItem
import bs4 ,requests
import parsel
import scrapy
class dangdangSpider(scrapy.Spider):
name = 'dangdang'
allowed_domain = 'http://bang.dangdang.com'
start_urls = []
for i in range(3): #爬取前三页
url = 'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-year-2020-0-1-'+str(i+1)
start_urls.append(url)
def parse(self, response):
bs = bs4.BeautifulSoup(response.text,'html.parser')
books_list = bs.find(class_="bang_list clearfix bang_list_mode").find_all('li')
for book in books_list:
item = DangdangItem()
item['book_name'] = book.find(class_="name").find('a')['title']
item['book_writer'] = book.find(class_="publisher_info").text
item['realbook_price'] = book.find(class_="price_n").text
item['ebook_price'] = book.find(class_="price_e").text
print(item['book_name'])
yield item
其中
dangdangSpider()是继承了scrapy.Spider的类,内部的name =‘dangdang’ 是爬虫的名称,如果创建多个爬虫,这就是这只爬虫的唯一标识,后续启动爬虫的时候就是用这个名字来启动的
parse是由外部输入response的函数,用来改变数据格式,读取数据,暂存数据的函数。
DangdangItem()是继承了scrapy.Item的类,被对象化为item,用来以类似字典的形式储存提取的数据。
尾部的yield是将上述item送到引擎,引擎将它送到Item Pipeline(数据管道)处理。
yield类似return,但它能够多次返回信息。
除了主要代码外,还需要再items.py文件夹内定义变量,
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class DangdangItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
book_name = scrapy.Field()
book_writer = scrapy.Field()
realbook_price =scrapy.Field()
ebook_price = scrapy.Field()
pass
可以对照这里的变量和bestseller里提取数据的变量名称,是一样的,其实我们是先定义名称,再进行提取的。当然顺序随意 个人爱好。
接着是settings.py文件的修改
这里主要是修改头和robots协议内容如下
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False #将遵从协议改成不遵从协议
至此,文件编写基本完成。但仍然不能够运行。
因为scrapy运行方式与平时的运行方式有所区别,有特定的方式。
这里采用创建main.py文件的方式来运行,main.py文件放在最外层的文件夹内,即与scrapy.cfg同级。
在main.py文件内输入
from scrapy import cmdline
cmdline.execute([scrapy,crawl,dangdang])
这样,就启动了整个名称为 dangdang的爬虫的程序。