python中scrapy框架项目_Python项目--Scrapy框架(一)

环境

win8, python3.7, pycharm

正文

1.Scrapy框架的安装

在cmd命令行窗口执行:

pip install Scrapy

即可完成Scrapy框架的安装

2. 创建Scrapy项目

在cmd命令行窗口下切换到想要的目录下, 我这里是C:\Users\Administrator\PycharmProjects\untitled\Tests\Scrapy

执行下面代码, 即可在当前的"Scrapy"目录下生成JianShu项目文件夹.

scrapy startproject JianShu

文件夹结构如下:

items.py:定义要爬取的项目

middlewares.py: 定义爬取时的中间介质

pipelines.py: 定义数据管道

settings.py: 配置文件

scrapy.cfg: Scrapy部署时的配置文件

3. 创建JianShuSpider

在cmd命令行依次执行以下代码, 即可在"JianShu/spiders"目录下创建JianShuSpider.py文件

cd JianShu

scrapy genspider JianShuSpider JianShuSpider.toscrape.com

4. 定义要爬取的项目

在items.py中确定要爬取的信息: 简书热门专题中的主题, 内容, 文章数, 粉丝数这四个信息

1 importscrapy2 from scrapy.item importItem, Field3

4 classJianshuItem(Item):5 #define the fields for your item here like:

6 #name = scrapy.Field()

7 title = Field() #主题

8 content = Field() #内容

9 article = Field() #文章

10 fans = Field() #粉丝

5. 编写爬虫主程序

简书热门专题采用异步加载, 在NetWork中选择XHR来确定异步加载的url: https://www.jianshu.com/recommendations/collections?page=(1,2,3,4.....)&order_by=hot

在JianShuSpider.py中编写主程序:

1 importscrapy2 from scrapy.spiders importCrawlSpider3 from scrapy.selector importSelector4 from JianShu.items importJianshuItem5 from scrapy.http importRequest6 classJianShu(CrawlSpider):7 name = 'JianShu'

8 allowed_domains = ['JianShuSpider.toscrape.com']9 start_urls = ['https://www.jianshu.com/recommendations/collections?page=1&order_by=hot']10 defparse(self, response):11 item =JianshuItem()12 #对源码进行初始化

13 selector =Selector(response)14 #采用xpath进行解析

15 infos = selector.xpath('//div[@class="collection-wrap"]')16 for info ininfos:17 title = info.xpath('a[1]/h4/text()').extract()[0]18 content = info.xpath('a[1]/p/text()').extract()19 article = info.xpath('div/a/text()').extract()[0]20 fans = info.xpath('div/text()').extract()[0]21 #加入判断, 如果content存在则返回content[0], 否则返回''

22 ifcontent:23 content =content[0]24 else:25 content = ''

26 item['title'] =title27 item['content'] =content28 item['article'] =article29 item['fans'] =fans30 yielditem31 #列表生成式, 生成多个url

32 urls = ['https://www.jianshu.com/recommendations/collections?page={0}&order_by=hot'.format(str(page)) for page in range(2,37)]33 for url inurls:34 yield Request(url,callback=self.parse)

6. 保存到MongoDB

利用pipelines数据管道将其存储至MongoDB, 在pipelines.py编写:

1 importpymongo2

3 classJianshuPipeline(object):4 def __init__(self):5 '''连接Mongodb'''

6 client = pymongo.MongoClient(host='localhost')7 db = client['test']8 jianshu = db["jianshu"]9 self.post =jianshu10 defprocess_item(self, item, spider):11 '''写入Mongodb'''

12 info =dict(item)13 self.post.insert(info)14 return item

7. setting配置

1 BOT_NAME = 'JianShu'

2 SPIDER_MODULES = ['JianShu.spiders']3 NEWSPIDER_MODULE = 'JianShu.spiders'

4 #从网站请求头复制粘贴User-Agent

5 USER_AGENT = 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'

6 ROBOTSTXT_OBEY =True7 #设置等待时间5秒

8 DOWNLOAD_DELAY = 5

9 #配置项目管道

10 ITEM_PIPELINES ={11 'JianShu.pipelines.JianshuPipeline': 300,12 }

8. 新建main.py文件

在JianShu文件目录下新建main.py文件, 编辑如下代码:

1 from scrapy importcmdline2 cmdline.execute('scrapy crawl JianShu'.split())

9. 运行main.py文件

在运行之前, 需确保mongodb服务已经启动, 执行结果如下: