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: 中的主题, 内容, 文章数, 粉丝数这四个信息

1 import scrapy

2 from scrapy.item import item, field

3

4 class jianshuitem(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 import scrapy

2 from scrapy.spiders import crawlspider

3 from scrapy.selector import selector

4 from jianshu.items import jianshuitem

5 from scrapy.http import request

6 class jianshu(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 def parse(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 in infos:

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 if content:

23 content = content[0]

24 else:

25 content = ''

26 item['title'] = title

27 item['content'] = content

28 item['article'] = article

29 item['fans'] = fans

30 yield item

31 #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 in urls:

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 import pymongo

2

3 class jianshupipeline(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 = jianshu

10 def process_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 = true

7 #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 import cmdline

2 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:

如您对本文有疑问或者有任何想说的，请点击进行留言回复，万千网友为您解惑！