python爬虫视频课程推荐_Python 爬虫实战案例（推荐小白研究）

爬取csdn学院中的课程信息（编程语言的）

任务：爬取csdn学院中的课程信息（编程语言的）

网址：https://edu.csdn.net/courses/o280/p1 （第一页）

https://edu.csdn.net/courses/o280/p2 （第二页）

① 创建项目在命令行编写下面命令，创建项目demoscrapy startproject educsdn项目目录结构：educsdn

├── educsdn

│ ├── __init__.py

│ ├── __pycache__

│ ├── items.py # Items的定义，定义抓取的数据结构

│ ├── middlewares.py # 定义Spider和DownLoader的Middlewares中间件实现。

│ ├── pipelines.py # 它定义Item Pipeline的实现，即定义数据管道

│ ├── settings.py # 它定义项目的全局配置

│ └── spiders # 其中包含一个个Spider的实现，每个Spider都有一个文件

│ ├── __init__.py

│ └── __pycache__

└── scrapy.cfg #Scrapy部署时的配置文件，定义了配置文件路径、部署相关信息等内容

② 进入educsdn项目目录，创建爬虫spider类文件（courses课程）执行genspider命令，第一个参数是Spider的名称，第二个参数是网站域名。scrapy genspider courses edu.csdn.net

$ tree

├── demo

│ ├── __init__.py

│ ├── __pycache__

│ │ ├── __init__.cpython-36.pyc

│ │ └── settings.cpython-36.pyc

│ ├── items.py

│ ├── middlewares.py

│ ├── pipelines.py

│ ├── settings.py

│ └── spiders

│ ├── __init__.py

│ ├── __pycache__

│ │ └── __init__.cpython-36.pyc

│ └── courses.py #在spiders目录下有了一个爬虫类文件courses.py

└── scrapy.cfg

# courses.py的文件代码如下：

# -*- coding: utf-8 -*-

import scrapy

class CoursesSpider(scrapy.Spider):

name = 'courses'

allowed_domains = ['edu.csdn.net']

start_urls = ['http://edu.csdn.net/']

def parse(self, response):

pass

③ 创建ItemItem是保存爬取数据的容器，它的使用方法和字典类型，但相比字典多了些保护机制。

创建Item需要继承scrapy.Item类，并且定义类型为scrapy.Field的字段：（课程标题、课程地址、图片、授课老师，视频时长、价格）

具体代码如下：（修改类名为CoursesItem）import scrapy

class CoursesItem(scrapy.Item):

# define the fields for your item here like:

# name = scrapy.Field()

title = scrapy.Field()

url = scrapy.Field()

pic = scrapy.Field()

teacher = scrapy.Field()

time = scrapy.Field()

price = scrapy.Field()

#pass

④ 解析Response在fang.py文件中，parse()方法的参数response是start_urls里面的链接爬取后的结果。

提取的方式可以是CSS选择器、XPath选择器或者是re正则表达式。# -*- coding: utf-8 -*-

import scrapy

from educsdn.items import CoursesItem

class CoursesSpider(scrapy.Spider):

name = 'courses'

allowed_domains = ['edu.csdn.net']

start_urls = ['https://edu.csdn.net/courses/o280/p1']

p=1

def parse(self, response):

#解析并输出课程标题

#print(response.selector.css("div.course_dl_list span.title::text").extract())

#获取所有课程

dlist = response.selector.css("div.course_dl_list")

#遍历课程，并解析信息后封装到item容器中

for dd in dlist:

item = CoursesItem()

item['title'] = dd.css("span.title::text").extract_first()

item['url'] = dd.css("a::attr(href)").extract_first()

item['pic'] = dd.css("img::attr(src)").extract_first()

item['teacher'] = dd.re_first("

讲师：(.*?)

")

item['time'] = dd.re_first("([0-9]+)课时")

item['price'] = dd.re_first("￥([0-9\.]+)")

#print(item)

#print("="*70)

yield item

#获取前10页的课程信息

self.p += 1

if self.p <= 10:

next_url = 'https://edu.csdn.net/courses/o280/p'+str(self.p)

url = response.urljoin(next_url) #构建绝对url地址（这里可省略）

yield scrapy.Request(url=url,callback=self.parse)

⑤、创建数据库和表：在mysql中创建数据库csdndb和数据表coursesCREATE TABLE `courses` (

`id` int(10) unsigned NOT NULL AUTO_INCREMENT,

`title` varchar(255) DEFAULT NULL,

`url` varchar(255) DEFAULT NULL,

`pic` varchar(255) DEFAULT NULL,

`teacher` varchar(32) DEFAULT NULL,

`time` varchar(16) DEFAULT NULL,

`price` varchar(16) DEFAULT NULL,

PRIMARY KEY (`id`)

) ENGINE=InnoDB DEFAULT CHARSET=utf8

⑥、使用Item PipelineItem Pipeline为项目管道，当Item生产后，他会自动被送到Item Pipeline进行处理：

我们常用Item Pipeline来做如下操作：清理HTML数据

验证抓取数据，检查抓取字段

查重并丢弃重复内容

将爬取结果保存到数据库里。import pymysql

from scrapy.exceptions import DropItem

class EducsdnPipeline(object):

def process_item(self, item, spider):

if item['price'] == None:

raise DropItem("Drop item found: %s" % item)

else:

return item

class MysqlPipeline(object):

def __init__(self,host,database,user,password,port):

self.host = host

self.database = database

self.user = user

self.password = password

self.port = port

self.db=None

self.cursor=None

@classmethod

def from_crawler(cls,crawler):

return cls(

host = crawler.settings.get("MYSQL_HOST"),

database = crawler.settings.get("MYSQL_DATABASE"),

user = crawler.settings.get("MYSQL_USER"),

password = crawler.settings.get("MYSQL_PASS"),

port = crawler.settings.get("MYSQL_PORT")

)

def open_spider(self,spider):

self.db = pymysql.connect(self.host,self.user,self.password,self.database,charset='utf8',port=self.port)

self.cursor = self.db.cursor()

def process_item(self, item, spider):

sql = "insert into courses(title,url,pic,teacher,time,price) values('%s','%s','%s','%s','%s','%s')"%(item['title'],item['url'],item['pic'],item['teacher'],str(item['time']),str(item['price']))

#print(item)

self.cursor.execute(sql)

self.db.commit()

return item

def close_spider(self,spider):

self.db.close()

⑦ 修改配置文件打开配置文件：settings.py 开启并配置ITEM_PIPELINES信息，配置数据库连接信息ITEM_PIPELINES = {

'educsdn.pipelines.EducsdnPipeline': 300,

'educsdn.pipelines.MysqlPipeline': 301,

}

MYSQL_HOST = 'localhost'

MYSQL_DATABASE = 'csdndb'

MYSQL_USER = 'root'

MYSQL_PASS = ''

MYSQL_PORT = 3306

⑧、运行爬取：执行如下命令来启用数据爬取

scrapy crawl courses

END