Scrapy入门（1）

quotes.py

# -*- coding: utf-8 -*-
import scrapy
from tutorial.items import QuoteItem


class QuotesSpider(scrapy.Spider):
    # name用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字
    name = 'quotes'
    # 允许爬取的域名
    allowed_domains = ['quotes.toscrape.com']
    # start_urls包含了Spider在启动时进行爬取的url列表。
    start_urls = ['http://quotes.toscrape.com/']

    '''
        parse() 是spider的一个方法。 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。
        该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。
    '''
    def parse(self, response):
        quotes = response.css('.quote')
        for quote in quotes:
            item = QuoteItem()
            # extract_first() 获取列表的第一个元素
            item['text'] = quote.css('.text::text').extract_first()
            item['author'] = quote.css('.author::text').extract_first()
            # extract()获取所有列表
            item['tags'] = quote.css('.tags .tag::text').extract()
            yield item

        next = response.css('.pager .next a::attr(href)').extract_first()
        # urljoin()将相对url构造成绝对url
        url = response.urljoin(next)
        '''
            scrapy.Request构造请求
            url:请求连接
            callback:回调函数
        '''
        yield scrapy.Request(url=url, callback=self.parse)

items.py

import scrapy


class QuoteItem(scrapy.Item):
    text = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()

pipeline.py

from scrapy.exceptions import DropItem


class TextPipeline(object):
    def __init__(self):
        self.limit=50

    def process_item(self, item, spider):
        if item['text']:
            if len(item['text']) >= self.limit:
                item['text'] = item['text'][0:self.limit].rstrip() + '....'
            return item['text']
        else:
            return DropItem('Missing Text')


import pymongo


class MongoPipeline(object):
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    # 通过crawler拿到全局配置的每个配置信息
    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DB')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = pymongo.MongoClient(self.mongo_db)

    def process_item(self, item, spider):
        '''
            __name__，
            如果是放在Modules模块中，就表示是模块的名字；
            如果是放在Classs类中，就表示类的名字
        '''
        name = item.__class__.__name__
        self.db[name].insert(dict(item))
        return item

    def close_spider(self, spider):
        self.client.close()

在setting中加入：

ITEM_PIPELINES = {
    'tutorial.pipelines.TextPipeline': 300,
    'tutorial.pipelines.MongoPipeline': 400,
}
MONGO_URI = 'localhost'
MONGO_DB = 'tutorial'