Scrapy的下载
在终端中输入代码'pip3 install scrapy'。
创建Scrapy项目
假设你希望将项目保存至桌面名为Python的文件夹中。可以在终端中输入'cd ',并将Python文件夹拖拽至其后。换行后,继续输入'scrapy startproject ScrapyProject',此处的ScrapyProject为该项目的名字,可根据情况自行定义。
#示例:
cd /Users/username/Desktop/Python
scrapy startproject ScrapyProject
定义items数据
Scrapy项目创建成功后,我们可以在其所在的文件夹里看到spiders,pipelines.py,middlewares.py,settings.py等一系列文件。我们需要做的是在其中找到items.py,并对其进行修改。此处的重点在于定义所需数据的属性,其中主要会使用到scrapy.Field()。
#示例:
import scrapy
#导入scrapy
class ScrapyItem(scrapy.Item):
#定义一个类ScrapyItem,继承自scrapy.Item
book = scrapy.Field()
#定义书籍名称book的数据属性
author = scrapy.Field()
#定义作者author的数据属性
type = scrapy.Field()
#定义书籍类型type的数据属性
创建爬虫文件
同样在ScrapyProject文件夹内,找到spiders文件夹,并在内创建一个新的爬虫文件,如下图的book.py。(需要与_pychache_及_init_文件同级。)
编辑爬虫文件
此处的爬虫文件为整个Scrapy项目的核心,数据的解析与提取都是在这一步进行的。
#示例:
import scrapy
#导入scrapy。
from bs4 import BeautifulSoup
#导入BeautifulSoup。
from ..items import ScrapyItem
#引用在item.py文件中所创建的ScrapyItem。
class ScrapySpider(scrapy.Spider):
#定义一个爬虫类ScrapySpider,继承自scrapy.Spider
name = 'book'
#定义爬虫的名字为book。
allowed_domains = ['https://www.example.com']
#定义爬虫将要爬取的网址域名。
urls = []
#创建一个链接列表备用。
for page in range(3):
url = 'https://www.example.com/page='+str(page)
start_urls.append(url)
#将网址添加进urls列表。
def parse(self, response):
bs = BeautifulSoup(response.text,'html.parser')
#使用BeautifulSoup解析response。
datas = bs.find_all('book',class_="info")
#用find_all提取元素。
for data in datas:
#遍历data。
item = ScrapyItem()
#实例化ScrapyItem。
item['book'] = data.find('title').text
#提取出书名,并将其放回ScrapyItem类的book属性里。
item['author'] = data.find('author').text
#提取出作者姓名,并将其放回ScrapyItem类的author里。
item['type'] = data.find('type').text
#提取出书籍类型,并将其放回ScrapyItem类的type属性里。
yield item
运行Scrapy程序
在ScrapyProject文件夹内,找到settings.py文档,并更改好user_agent相关信息。之后再在终端输入代码scrapy crawl book即可。(book为此爬虫的名字。)
注:上述内容皆为Mac环境下的操作。