python爬虫框架实例最新_Python之Scrapy爬虫框架 入门实例（一）

一、开发环境

1.安装 scrapy

2.安装 python2.7

3.安装编辑器 PyCharm

二、创建scrapy项目pachong

1.在命令行输入命令：scrapy startproject  pachong

(pachong 为项目的名称，可以改变)

2.打开编辑器PyCharm，将刚刚创建的项目pachong导入。

(点击file—>选择open—>输入或选择E:\pachong—>点击ok)

三、创建scrapy爬虫文件pachong_spider.py

在pachong_spider.py这个文件夹中编写爬取网站数据的内容。

(右击文件spiders—>选择New，在选择PhthonFile—>输入文件名pachong_spider)

四、编写爬虫pachong

将 网址  http://lab.scrapyd.cn/   博客中的所有博客标题和博客标签，以作者名-语录为名分别保存在各自作者对应的txt文件中。

1.查看http://lab.scrapyd.cn/源代码，获取自己所需的博客标题、作者、标签三个内容的对应HTML标签信息。

2.获取网址的内容，保存到变量pachong里。

(分析HTML结构，每一段需要提取的内容都被一个

……

包裹。)

3.获取循环获取标题、作者的第一个内容，和对应标签的内容，并对标签的内容进行逗号分隔后，进行分类保存。

4.查看下一页的HTML标签，对下一页获取的内容进行循环。

(查看存在不存在下一页的链接，如果存在下一页，把下一页的内容提交给parse然后继续爬取。如果不存在下一页链接结束爬取。)

5.爬虫源代码。

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

2 importsys3 reload(sys)4 sys.setdefaultencoding('utf-8')5 #Python 默认脚本文件都是 UTF-8 编码的,当脚本出现中文汉字时需要对其进行解码。

6 importscrapy7 classitemSpider(scrapy.Spider):8 #scrapy.Spider 是一个简单的爬虫类型。

9 #它只是提供了一个默认start_requests()实现。

10 #它从start_urlsspider属性发送请求，并parse 为每个结果响应调用spider的方法。

11 name ="pachong"

12 #定义此爬虫名称的字符串。

13 #它必须是唯一的。

14 start_urls = ['http://lab.scrapyd.cn']15 #爬虫抓取自己需要的网址列表。

16 #该网站列表可以是多个。

17 defparse(self, response):18 #定义一个parse规则，用来爬取自己需要的网站信息。

19 pachong = response.css('div.quote')20 #用变量pachong来保存获取网站的部分内容。

21 for v inpachong:22 text = v.css('.text::text').extract_first()23 autor = v.css('.author::text').extract_first()24 tags = v.css('.tags .tag::text').extract()25 tags = ','.join(tags)26 #循环提取所有的标题、作者和标签内容。

27 fileName = u'%s-语录.txt' %autor28 #文件的名称为作者名字—语录.txt。

29 with open(fileName, "a+")as f:30 f.write(u'标题：'+text)31 f.write('\n')32 f.write(u'标签：' +tags)33 f.write('\n------------------------------------------------\n')34 #打开文件并写入标题和标签内容。

35 f.close()36 #关闭文件

37 next_page = response.css('li.next a::attr(href)').extract_first()38 if next_page is notNone:39 next_page =response.urljoin(next_page)40 yield scrapy.Request(next_page, callback=self.parse)41 #查看存在不存在下一页的链接，如果存在下一页，把下一页的内容提交给parse然后继续爬取。

42 #如果不存在下一页链接结束爬取。

五、运行爬虫pachong

1.在命令行输入命令：scrapy crawl  pachong

(在pachong的目录下输入命令)

2.打开e盘 pachong文件夹，已经按要求爬取网址  http://lab.scrapyd.cn/ 的内容。