1.An open source and collaborative framework for extracting the data you need from websites.
In a fast, simple, yet extensible way.
1.开源的爬虫框架
2.快速、简单、高效的方式
2.安装部署
3.基本使用
(1)创建一个项目:scrapy startproject test_scrapy
(2)项目目录:
scrapy.cfg 【项目的配置文件】
settings.py 【项目的配置文件】
spiders/ 【防止 爬虫代码的目录】
(3)编写爬虫代码:scrapy genspider [options] <name> <domain>
eg:scrapy genspider python01 www.xxx.com
'''
name:
1.不能重复
2.爬虫文件的名字
'''
name = 'python01'
'''
scrapy 允许爬取的 url
'''
allowed_domains = ['www.baidu.com']
'''
scrapy 去爬取的 url 列表
'''
start_urls = ['http://www.baidu.com/','https://www.sougou.com']
(4)启动爬虫项目
启动命令
scrapy runspider [options] <spider_file>
eg:scrapy runspider ./test_scrapy/spiders/python01.py
eg:scrapy crawl python01
eg:scrapy crawl python01 --nolog 【使用命令 不显示日志信息】
4.数据解析:
(1)标签定位:
返回 selector(xpath,data[xpath表达式 结果])
(2)数据解析
返回 selector(xpath,data[xpath表达式 结果])
5.取值:.get()、.getall()
6.存储数据(持久化数据):scrapy crawl python01 -o ./文件名.格式(不支持txt)