1、安装scrapy
pip3 install scrapy
2、打开terminal,cd 到想要创建程序的目录下
3、创建一个scrapy项目
在终端输入:scrapy startproject my_first_scrapy(项目名)
4、在终端输入:cd my_first_scrapy 进入到项目目录下
5、新建爬虫:
输入: scrapy genspider chouti chouti.com (chouti: 爬虫名称, chouti.com : 要爬取的网站的起始网址)
6、在pycharm中打开my_first_scrapy,就可以看到刚才创建的项目:
7、打开settings.py可以对项目相关参数进行设置,如设置userAgent:
8、打开chouti.py编写代码:
#-*- coding: utf-8 -*-
"""获取抽屉新热榜的标题和内容以及新闻地址保存到本地"""
importscrapyfrom scrapy.http importRequestfrom scrapy.http.response.html importHtmlResponsefrom ..items importMyFirstScrapyItemclassChoutiSpider(scrapy.Spider):
name= 'chouti'allowed_domains= ['chouti.com']
start_urls= ['http://chouti.com/']defparse(self, response):#print(response, type(response)) #
#print(response.text)
#解析文本内容, 提取标题和简介,地址
#去页面中找id=content-list的div标签,再去这个div下找class=item的div
items = response.xpath("//div[@id='content-list']/div[@class='item']")#"//"表示从html文件的根部开始找。"/"表示从儿子里面找。".//"表示相对的,及当前目录下的儿子里面找
for item initems:#当前目录下找class=part1的div标签,再找div标签下的a标签的文本信息text(),并且只取第一个
#a标签后面可以加索引,表示取第几个a标签,如第一个:a[0]
title = item.xpath(".//div[@class='part1']/a/text()").extract_first().strip() #去掉标题两端的空格
href = item.xpath(".//div[@class='part1']/a/@href").extract_first().strip() #取href属性
summary = item.xpath(".//div[@class='area-summary']/span/text()").extract_first()#print(1, title)
#print(2, href)
#print(3, summary)
item_obj = MyFirstScrapyItem(title=title, href=href, summary=summary) #实例化
yield item_obj #将数据交给pipelines
#获取页码
page_list = response.xpath("//div[@id='dig_lcpage']//a/@href").extract()for url inpage_list:
url= "https://dig.chouti.com%s" %urlyield Request(url=url, callback=self.parse) #下载页面内容
View Code
9、打开items.py写代码:
#-*- coding: utf-8 -*-
#Define here the models for your scraped items#
#See documentation in:#https://doc.scrapy.org/en/latest/topics/items.html
importscrapyclassMyFirstScrapyItem(scrapy.Item):#define the fields for your item here like:
#name = scrapy.Field()
#规则化:将要持久化的数据转化为某种格式
title =scrapy.Field()
href=scrapy.Field()
summary= scrapy.Field()
View Code
10、打开pipelines.py写代码:
"""1、先去类中找from_crawler
有:执行且必须返回一个当前类的对象
没有:不执行,则去执行构造方法__init__(self)并返回一个对象
2、再去执行"对象.其他方法""""
classMyFirstScrapyPipeline(object):def __init__(self, file_path):
self.f=None
self.file_path=file_path
@classmethoddeffrom_crawler(cls, crawler):"""初始化时,用于创建pipelines对象
:param crawler:
:return:"""file_path= crawler.settings.get("CHOUTI_NEWS_PATH") #存储文件的路径
returncls(file_path)defopen_spider(self, spider):"""打开文件
:param spider:提交数据过来的爬虫对象
:return:"""self.f= open(self.file_path, "a+", encoding="utf-8")defprocess_item(self, item, spider):""":param item: 爬虫中yield过来的item对象
:param spider:提交数据过来的爬虫对象
:return:"""self.f.write(item["href"] + "\n")
self.f.flush()#将内容强刷到硬盘进行保存
returnitemdefclose_spider(self, spider):"""关闭文件
:param spider:提交数据过来的爬虫对象
:return:"""self.f.close()
View Code
11、在settings.py中找到 ITEM_PIPELINES进行设置,并设置存储下载的新闻存储的文件路径:
12、运行爬虫项目,在终端输入:
scrapy crawl chouti(会打印日志) 或者 scrapy crawl chouti --nolog (不打印日志)