02-scrapy项目的创建基本使用

1、创建Scrapy项目

首先安scrapy
命令：sudo apt-get install scrapy 或者：pip install scrapy

创建scrapy项目的命令：

scrapy startproject +<项目名字>
示例：scrapy startproject myspider

生成的目录和文件结果如下：

2、创建爬虫

命令：在项目路径下执行:scrapy genspider +<爬虫名字> + <允许爬取的域名>

示例（以腾讯招聘网站为例）：

cd myspider
scrapy genspider tencent careers.tencent.com

生成的目录和文件结果如下：

3、完善spider

完善spider即通过方法进行数据的提取等操作
在/myspider/myspider/spiders/tencent.py中修改内容如下:

import scrapy


class TencentSpider(scrapy.Spider):
    # 爬虫名字
    name = 'tencent'
    # 允许爬去范围，防止爬虫爬到别的网站
    allowed_domains = ['careers.tencent.com']
    # 开始爬取的url地址
    start_urls = ['https://careers.tencent.com/search.html?keyword=python']

    # 数据提取的方法，接受下载中间件传过来的response
    def parse(self, response):
        # scrapy的response对象可以直接进行xpath
        info = response.xpath('//div[4]/div/a[@class="item-link"]/text()')
        print(info)

        # 获取具体数据文本的方式如下
        # 分组
        info_list = response.xpath('//div//a[@class="recruit-list-link"]')
        for info in info_list:
            # 创建一个数据字典
            item = {}
            # 利用scrapy封装好的xpath选择器定位元素，并通过extract()或extract_first()来获取结果
            item['work_name'] = info.xpath('.//h4/text()').extract_first()  # 岗位名称
            item['work_duty'] = info.xpath('.//p[@class="recruit-text"]/text()').extract_first()  # 岗位职责
            print(item)
            yield item

注意：

1. response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
2. extract() 返回一个包含有字符串的列表
3. extract_first() 返回列表中的第一个字符串，列表为空没有返回None
4. spider中的parse方法必须有，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
5. 需要抓取的url地址必须属于allowed_domains,但是start_urls中的url地址没有这个限制
6. 启动爬虫的时候注意启动的位置，是在项目路径下启动

4、利用管道pipeline来处理(保存)数据

4.1 对itcast爬虫进行修改完善
在爬虫parse()函数中最后添加：

yield item

使用yield原因：

• 让整个函数变成一个生成器，有什么好处呢？
• 遍历这个函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高
• python3中的range和python2中的xrange同理

注意：yield能够传递的对象只能是：BaseItem,Request,dict,None

4.2 修改pipelines.py文件

class MyspiderPipeline:
    # 爬虫文件中提取数据的方法每yield一次item，就会运行一次
    # 该方法为固定名称函数
    def process_item(self, item, spider):
        print(item)
        return item

4.3 在settings.py设置开启pipeline

ITEM_PIPELINES = {
   'myspider.pipelines.MyspiderPipeline': 300,
}

4.4 在settings.py设置关闭robots协议

	ROBOTSTXT_OBEY = False

4.5 在settings.py设置USER_AGENT

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko'

5、运行scrapy

命令：在项目目录下执行scrapy crawl +<爬虫名字>
示例：scrapy crawl tencent