进入命令管理器
-
通过命令scrapy startproject spider3
-
进入spider3项目中
执行scrapy genspider university qianmu.org (scrapy genspider 爬虫的名字name 爬虫的域名) -
通过pycharm软件导入此项目
scrapy.cfg:必须有的重要的项目的配置文件
item.py:定义Item类,从scrapy.Item继承,里面定义scrapy.Field类
pipelines.py:处理爬取的数据流向。重要的是process_item()方法
spiders目录下的__init__.py:也是必须有。在这里可以写爬虫类或爬虫子模块
settings.py 配置文件:
BOT_NAME # 爬虫名
ROBOTSTXT_OBEY = True # 遵守robots协议
USER_AGENT=’’ # 指定爬取时使用。一定要更改user-agent,否则访问会报403错误
CONCURRENT_REQUEST = 16 # 默认16个并行
DOWNLOAD_DELAY = 3 # 下载延时
COOKIES_ENABLED = False # 缺省是启用。一般需要登录时才需要开启cookie
DEFAULT_REQUEST_HEADERS = {} # 默认请求头,需要时填写
SPIDER_MIDDLEWARES # 爬虫中间件
DOWNLOADER_MIDDLEWARES # 下载中间件
‘first.middlewares.FirstDownloaderMiddleware’: 543 # 543优先级越小越高
‘firstscrapy.pipelines.FirstscrapyPipeline’: 300 # item交给哪一个管道处理,300优先级越小越高
其他参数介绍参考:https://blog.csdn.net/xc_zhou/article/details/82760608