##自学视频中的学习笔记记录##持续更新学习进度##
#Scrapy笔记
##安装scrapy框架
1、安装 scrapy:通过pip install scrapy 即可安装
2】如果是再windows 下,还需要安装pypiwin32,如果不安装,后面运行scrapy项目的时候就会出现报错:pip install pypiwin32
3、如果是再ubuntu 系统下,还需要安装一下第三方库,sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-devlibssl-dev
创建项目和爬虫
1、创建项目:scarpy startproject 【爬虫名字】
2、创建爬虫:进入到项目所在的路径,执行命令:scarpy genspider 【爬虫名字】【爬虫的域名】。注意爬虫名字不能和爬虫项目一致。
#如果出现以下错误提示,根据提示,进入"d:\software\anconda3\lib\configparser.py",把方法里面的 lineno 【with open(filename, encoding='utf-8') as fp:】
把编码方式改成encoding=‘utf-8’即可。
File "d:\software\anconda3\lib\configparser.py", line 696, in read
self._read(fp, filename)
File "d:\software\anconda3\lib\configparser.py", line 1014, in _read
for lineno, line in enumerate(fp, start=1):
UnicodeDecodeError: 'gbk' codec can't decode byte 0xaa in position 189: illegal multibyte sequence
项目目录结构
1、items.py:用来存放爬虫爬取下来的数据模型。
2、middlewares.py:用来存放各种中间件的文件。
3、pipelines.py:用来将items的模型存储到本地磁盘中。
4、settings.py:本爬虫的一些配置信息(比如请求头头、多久发送一次请求、ip代理池等)。
5、scrapy.cfg:项目的配置信息。
6、spider包:以后所有的爬虫,都是存放再这个里面。
CrawlSpider
Crawlspider 是scrapy 中很强大的一个类;crawlspider 继承spider,只不过是在之前的基础上增加了新饿功能,可以定义爬取的url的规则,以后scrapy碰到满足条件的url都进行爬取,不许要手动yield Request。
创建crawlspider命令:scrapy genspider -t crawl 【爬虫名称】 【域名】 ### -t 代表的是模板
LinkExtractors 主要参数:
allow:允许的url。所有满足这个正则表达式的url都会被提取。
deny:禁止的url。所有满足这个正则表达式的url都不会被提取。
allow_domains:允许的域名。只有在这个里面制定的域名的url才会被提取。
deny_domains:禁止的域名,只有在这个里面指定的域名的url才会被提取。
restrict_xpaths:严格的xpath。和allow共同过滤的链接。
Rule规则类主要参数:
link_extractor:一个LinkExtractor对象,用于定义爬出规则。
callback:满足这个规则的url,应该要执行那个回调函数。因为Crawlspider使用了parse左右回调函数,因此不要覆盖parse作为回电函数自己的回调函数。
follow:指定根据该规则从response中提取的链接是否需要跟进。如果callback=none,则follow=Ture。
process_links:从link_extractor中回去到链接后会传递给这个函数,用力啊过来不需要爬取的链接。