scrapy框架安装配置

最新推荐文章于 2024-09-27 10:11:28 发布

weixin_30292745

最新推荐文章于 2024-09-27 10:11:28 发布

阅读量89

点赞数

文章标签： python 爬虫

原文链接：http://www.cnblogs.com/zx125/p/11502713.html

版权

scrapy框架

scrapy安装（win）

1.pip insatll wheel

2.下载合适的版本的twisted：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

3.安装twisted,到同一个目录，然后pip install

4.pip install pywin32

5.pip intstall scrapy

如果：在终端输入scrapy没有问题就是安装成功了

创建工程

scrapy startproject name

创建爬虫文件

scrapy genspider spiderName www.xxx.com

执行工程

scrapy crawl 工程名字

爬虫文件信息

# -*- coding: utf-8 -*-
import scrapy

class ZxSpider(scrapy.Spider):
    #工程名称，唯一标志
    name = 'zx'
    #允许爬取的域名（一般不用）
    # allowed_domains = ['www.baidu.com']
    #起始爬取的url,可以是多个
    start_urls = ['http://www.baidu.com/',"https://docs.python.org/zh-cn/3/library/index.html#library-index"]

    #回调函数,返回请求回来的信息
    def parse(self, response):
        print(response)

配置文件修改(setting.py)

修改UA和是否遵守爬虫协议添加日志打印等级

# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'zx_spider (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

LOG_LEVEL='ERROR'

最后测试下配置成功没有

简单案例(爬段子)

# -*- coding: utf-8 -*-
import scrapy


class DuanziSpider(scrapy.Spider):
    name = 'duanzi'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['http://duanziwang.com/']

    def parse(self, response):
        div_list=response.xpath('//main/article')
        for i in div_list:
            title=i.xpath('.//h1/a/text()').extract_first()
            #xpath返回的是存放selector对象的列表，想要拿到数据需要调用extract()函数取出内容，如果列表长度为1可以使用extract_first()
            content=i.xpath('./div[@class="post-content"]/p/text()').extract_first()
            print(title)
            print(content)

转载于:https://www.cnblogs.com/zx125/p/11502713.html