新手必看！简易入门Python爬虫

最新推荐文章于 2024-09-14 17:35:17 发布

置顶菜鸟也学大数据

最新推荐文章于 2024-09-14 17:35:17 发布

阅读量795

点赞数 1

分类专栏： python 菜鸟也学大数据文章标签： python 大数据

本文链接：https://blog.csdn.net/weixin_38468167/article/details/113278360

版权

菜鸟也学大数据同时被 2 个专栏收录

167 篇文章 14 订阅

订阅专栏

python

3 篇文章 0 订阅

订阅专栏

一、什么是爬虫

爬虫即为数据爬取

数据来源

从网上爬取数据（crawling）
从本地系统收集数据（scraping）：文件、数据库等

网络数据采集模型
在这里插入图片描述

二、常用的数据爬取工具

第三方库实现爬取

Requests、lxml：灵活，简单

PySpider爬虫框架

提供WebUI界面编写及管理爬虫
上手快，学习简单
对Windows操作系统支持很差

Scrapy爬虫框架

功能强大
可定制性强
多线程，爬取效率高

三、使用Scrapy框架

准备工作：需要已安装Anaconda、PyCharm，没有安装的可以参考下面这篇文章
https://blog.csdn.net/weixin_38468167/article/details/113174379

安装配置

第一步：下载安装

在windows命令行执行：conda install scrapy

第二步：配置Scrapy的环境变量

找到Anaconda的所在位置
找到Scripts目录
将这个目录路径添加到环境变量的Path中
配置完成后在windows命令行输入scrapy查看信息

这样表示scrapy已经安装成功了

创建Scrapy工程

新建一个期望存放Scrapy项目的文件夹
然后在那个文件夹路径框内输入cmd回车
在windows命令行输入：scrapy startproject [新工程名]
然后会在目录下产生一个目录文件

使用PyCharm打开Scrapy工程

打开工程前需要先设置python解释器
打开项目
选择工程所在的路径
打开后查看spiders目录下的文件

import scrapy

class ExamplespiderSpider2(scrapy.Spider):
    name = 'exampleSpider2'
    allowed_domains = ['example.com']
    start_urls = ['http://www.qq.com'] #指定一个合法的可访问的地址

    def parse(self, response):
        print("start parse") #这里不做任何处理，直接输出start parse

启动Spider：命令格式scrapy crawl 爬虫名
可以看到start parse就表示工程与环境没有问题了

使用Python脚本执行命令行启动工程

在项目根目录添加脚本文件
调用Scrapy框架的命令行执行方法启动爬虫

cmdline模块
execute()方法

示例：

在工程根目录下创建run.py
在run.py中输入命令

from scrapy.cmdline import execute
execute('scrapy crawl example_spider'.split())

右集run.py文件，点击运行
同样可以运行出结果

四、Scrapy框架以及使用

spiders文件夹

定义爬虫文件

items.py

定义框架内数据传输格式

pipelines.py

数据保存模块

middlewares.py

中间件模块

settings.py

框架配置模块

在这里插入图片描述

Scrapy返回爬取页面数据

通过解析方法返回爬取页面数据

parse()方法的response参数
response对象常用属性和方法

在Scrapy爬虫框架中提取网页数据的方法

xpath选择器

用于选择XML文档中的节点的语言，可以与HTML一起使用

css选择器

用于将样式应用于HTML文档的语言
将样式与特定的HTML元素相关联

正则表达式

提取非标签内容

xpath语法

使用路径表达式来选取 XML 文档中的节点或节点集

谓语

谓语用来查找某个特定节点或者包含某个指定的值的节点
谓语被嵌在方括号中

在这里插入图片描述

选择器

Scrapy中xpath选择器
基于lxml库
获取选择器的网页数据
extract()
提取selector列表中的网页数据
如果列表为空，取下标为0的网页数据会抛出异常
extract_first()
提取selector列表中下标为0的网页数据
如果列表为空，不会抛出异常，返回None

路径表达式举例

在这里插入图片描述

爬取从页面提取的URL

使用场景

详情页爬取
多层级目录爬取

提取URL发起HTTP请求

构造request对象
指定HTTP请求的URL
指定处理这个页面的回调方法
关闭去重标记
使用yield返回request对象

request与对应的response传递数据

meta字典

Scrapy的item模块

item的作用

定义框架中数据传输的形式

定义item

定义Item类并继承scrapy.Item
定义变量
变量名
变量类型

scrapy.Field()

使用item

使用字典的方式给item赋值

item[“变量名”] = 赋值

使用yield返回item

将爬取数据保存到文件中

Feed exports

将数据导出成常用数据格式的方法

默认支持的格式

JSON
JSON lines
CSV
XML

使用Feed exports的方法

在命令行中使用-o来调对应的Feed exports
在settings.py中配置Feed exports

FEED_FORMAT = 'CSV'
FEED_URI ='quotes.csv'

五、示例

示例网站

在这里插入图片描述

继续开始创建的工程中操作

设置items.py

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class Scrapyproject01Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    
    #指定需要接收的数据变量
    quote=scrapy.Field()
    author_name=scrapy.Field()
    author_born_date=scrapy.Field()
    author_born_loc=scrapy.Field()
    author_desc=scrapy.Field()
    #pass

设置setting.py

#在setting.py中的最下面设置保存的文件格式与文件名
FEED_FORMAT = 'csv'
FEED_URI = 'result2.csv'

逻辑实现examplespiderSpider

在examplespiderSpider中编写具体逻辑代码

import scrapy
#导包（与java稍有不同，这里需要将导包所在的路径指出）
from ..items import Scrapyproject01Item

class ExamplespiderSpider(scrapy.Spider):
    name = 'exampleSpider3'
    allowed_domains = ['example.com']
    #指定目标地址
    start_urls = ['http://quotes.toscrape.com']

    #self:类似于java中的this
    #response：从目标地址获取到数据都在这里
    def parse(self, response):
        print("start parse")
        #拿到网页数据过滤出所有div为quote的所有数据
        quotes = response.xpath("//div[@class='quote']")
        #网页中存在多个div类名为quote，遍历一下
        for quote in quotes:
            #对每个div名为quote内的数据进一步过滤，并且只要拿到第一条，如果只用extract，如果没有拉取到数据就会报错
            quote_text=quote.xpath("./span[@class='text']/text()").extract_first()
            #然后在过滤出作者信息的路径
            quote_author_url = quote.xpath(".//a/@href").extract_first()
            #爬取新的目标地址，进入作者的详情页
            #第一个参数为新的目标地址，我们通过原先的地址拼接过滤出的路径即可
            #callback：因为操作的页面变了，逻辑也会不同，所有需要自定义方法，这里就指定了自定义的方法
            #dont_filter:设置不屏蔽处理过的目标地址
            #mate：设置字典，保存获取到的quote_text的数据
            yield scrapy.Request(self.start_urls[0]+quote_author_url,
                                 callback=self.parse_author_detail,
                                 dont_filter=True,
                                 meta={"quote":quote_text})

        #获取下一页的路径
        next_page = response.xpath("//li[@class='next']/a/@href").extract_first()

        #判断是否还有下一页
        if next_page is not None:
            #将获取的下一页路径与原目标地址进行拼接
            next_page2 = self.start_urls[0] + next_page
            #爬取新的目标地址，默认调用parse方法
            yield scrapy.Request(next_page2,dont_filter=True)

    #自定义方法，用于处理爬取的作者详情页的数据
    def parse_author_detail(self,reponse):
        #注意创建items下的类对象时要带括号()
        item=Scrapyproject01Item()
        #在item中预先设置好需要的变量
        #将字典中的quote的数据传入item对象中
        item['quote']=reponse.meta["quote"]
        #过滤出作者的姓名，传入至对象item中
        item['author_name'] = reponse.xpath("//h3[@class='author-title']/text()").extract_first().strip().strip("\n")
        #过滤出作者的生日，传入至对象item中
        item['author_born_date'] = reponse.xpath("//span[@class='author-born-date']/text()").extract_first().strip().strip("\n")
        #过滤出做的地址，传入至对象item中
        item['author_born_loc'] = reponse.xpath("//span[@class='author-born-location']/text()").extract_first().strip().strip("\n")
        #过滤出作者介绍信息，传入至对象item中
        item['author_desc'] = reponse.xpath("//div[@class='author-description']/text()").extract_first().strip().strip("\n").replace("\n"," ")
        yield item

设置run.py

#运行命令
from scrapy.cmdline import execute
execute("scrapy crawl exampleSpider".split())

执行

运行run.py文件
成功创建出文件
打开result2
- 这里就完成了简单的爬取功能

菜鸟也学大数据

关注

1
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录