创建第一个scrapy蜘蛛项目

最新推荐文章于 2024-09-11 21:15:23 发布

滇北小生

最新推荐文章于 2024-09-11 21:15:23 发布

阅读量4.5k

点赞数

分类专栏： scrapy 文章标签： scrapy

scrapy 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

创建第一个scrapy蜘蛛文件

上面我们已经成功创建了一个scrapy项目，那我们该在哪里写我们的蜘蛛呢？here，在spiders目录下面：

scrapy中文文档：创建scrapy蜘蛛

创建的肯定是我们的.py文件。怎么创建呢？你可以用记事本，也可以用pycharm，建议使用pycharm因为方便！首先你需要把你创建的项目mingyan2在pycharm里面打开，然后右键点击spiders，选中New再选中python File即可，如下图：

scrapy中文文档：创建scrapy蜘蛛

文件名的话你随意，尽量见名知意，这里我就取名为：mingyan_spider.py (保存在mingyan2/spiders目录下)，再看一下创建好文件后的目录结构：

scrapy中文文档：创建scrapy蜘蛛

OK到这里的话我们已经成功创建了一个scrapy蜘蛛文件，我们要爬取哪个网站、爬取这个网站的神马数据，统统在这个文件里面编写，其实挺简单，就是一个.py文件而已，别把scrapy想得太复杂！
好了，接下来我们开始编写我们的第一个蜘蛛，看看需要些神马固定格式！

编写第一个蜘蛛

上面我们已经创建了一个mingyan_spider.py 的文件，那里面到底该写神马呢？当然我们需要遵守scrapy的规则，那一个蜘蛛到底需要神马规则呢？

A：首先我们需要创建一个类，并继承scrapy的一个子类：scrapy.Spider 或者是其他蜘蛛类型，后面会说到，除了Spider还有很多牛X的蜘蛛类型；

B：然后定义一个蜘蛛名，name=“” 后面我们运行的话需要用到；

C：定义我们需要爬取的网址，没有网址蜘蛛肿么爬，所以这是必须滴；

D：继承scrapy的一个方法：start_requests(self)，这个方法的作用就是通过上面定义的链接去爬取页面，简单理解就是下载页面。

那我们怎么提取我们想要的数据呢？比如我想要一个文章的标题、内容、图片，这些的话就可以我们自己定义方法提取了，后面我们慢慢涉及！这里先简单的来！
好了，我们先来看看第一个简单的蜘蛛项目：

 
import scrapy
 
 
 
class mingyan(scrapy.Spider): #需要继承scrapy.Spider类
 
     
 
name = "mingyan2" # 定义蜘蛛名
 
 
 
    def start_requests(self): # 由此方法通过下面链接爬取页面
 
         
 
        # 定义爬取的链接
 
        urls = [
 
            'http://lab.scrapyd.cn/page/1/',
 
            'http://lab.scrapyd.cn/page/2/',
 
        ]
 
        for url in urls:
 
            yield scrapy.Request(url=url, callback=self.parse) #爬取到的页面如何处理？提交给parse方法处理
 
 
 
    def parse(self, response):
 
 
 
        '''
 
        start_requests已经爬取到页面，那如何提取我们想要的内容呢？那就可以在这个方法里面定义。
 
        这里的话，并木有定义，只是简单的把页面做了一个保存，并没有涉及提取我们想要的数据，后面会慢慢说到
 
        也就是用xpath、正则、或是css进行相应提取，这个例子就是让你看看scrapy运行的流程：
 
        1、定义链接；
 
        2、通过链接爬取（下载）页面；
 
        3、定义规则，然后提取数据；
 
        就是这么个流程，似不似很简单呀？
 
        '''
 
 
 
 
 
        page = response.url.split("/")[-2]     #根据上面的链接提取分页,如：/page/1/，提取到的就是：1
 
        filename = 'mingyan-%s.html' % page    #拼接文件名，如果是第一页，最终文件名便是：mingyan-1.html
 
        with open(filename, 'wb') as f:        #python文件操作，不多说了；
 
            f.write(response.body)             #刚才下载的页面去哪里了？response.body就代表了刚才下载的页面！
 
        self.log('保存文件: %s' % filename)      # 打个日志

运行蜘蛛

好了，里面注释应该都很清楚了，这里就不多解释，这个栗子，会放到github，打家下载了运行一下就知道原理了！那肿么运行这个蜘蛛呢？

`1`	`scrapy crawl mingyan2`

输入以上命令便可以运行蜘蛛了！这里要重点提醒一下，我们一定要进入：mingyan2 这个目录，也就是我们创建的蜘蛛项目目录，以上命令才有效！还有 crawl 后面跟的是你类里面定义的蜘蛛名，也就是：name，并不是项目名、也不是类名，这些细节希注意！

命令行输出了什么？

通过上面命令，命令行输出与了一下信息：

 
2017-12-13 10:33:53 [scrapy.core.engine] INFO: Spider opened
 
2017-12-13 10:33:53 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
 
2017-12-13 10:33:53 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
 
2017-12-13 10:33:53 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://lab.scrapyd.cn/robots.txt> (referer: None)
 
2017-12-13 10:33:53 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://lab.scrapyd.cn/page/1/> (referer: None)
 
2017-12-13 10:33:53 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://lab.scrapyd.cn/page/2/> (referer: None)
 
2017-12-13 10:33:53 [mingyan2] DEBUG: 保存文件: mingyan-1.html
 
2017-12-13 10:33:53 [mingyan2] DEBUG: 保存文件: mingyan-2.html
 
2017-12-13 10:33:53 [scrapy.core.engine] INFO: Closing spider (finished)
 
2017-12-13 10:33:53 [scrapy.statscollectors] INFO: Dumping Scrapy stats: