Scrapy 使用CrawlSpider整站抓取文章内容实现

刚接触Scrapy框架，不是很熟悉，之前用webdriver+selenium实现过头条的抓取，但是感觉对于整站抓取，之前的这种用无GUI的浏览器方式，效率不够高，所以尝试用CrawlSpider来实现。
这里通过一个实例加深对Scrapy框架的理解。

本文开发环境：

• Win7 64位
• Python 3.6
• Scrapy 1.5.1
• VS Code 1.27.2

本文目标：抓取网站https://blog.scrapinghub.com的所有文章标题。

1.首页的布局分析

这个博客网站的页面结构如下图所示，我们的目标是抓取每页中间的item的标题，以及通过crawlspider自动抓取下一页的link链接达到自动抓取全站资源的目标。底部只有下一页的链接。

再来看第二页的布局：

中间的内容跟首页一样，只是在底部的分页导航，多了上一页（首页只有下一页）

所以，文章标题所在布局我们搞清楚了，分页导航的格式也十分简单：https://blog.scrapinghub.com/page/2，
只是最后一个数字不一样，这个数字就代表第几页文章。只是最后一个数字不一样，这个数字就代表第几页文章。

2.VSCode实现基于Scrapy框架的CrawlSpider爬虫

2.1 创建Scrapy工程

终端进入到D盘的tmp目录输入如下命令创建一个名字为blogscrapy的scrapy工程（官方文档：）：

scrapy startproject blogscrapy

2.2 创建CrawlSpider爬虫

终端进入到 D:\tmp\blogscrapy，输入如下命令创建一个名为blogspider，允许爬虫的域名为scrapinghub.com的基于crawlSpider模板的spider爬虫（官方文档：）：

scrapy genspider -t crawl blogspider blog.scrapinghub.com

2.3 定义item获取所需属性字段

items.py的内容如下：

# -*- coding: utf-8 -*-
import scrapy
class BlogscrapyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()

2.3 修改spider定义抓取规则、存储字段

blog.py的内容如下：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from blogscrapy.items import BlogscrapyItem

class BlogSpider(CrawlSpider):
    name = 'blog'
    allowed_domains = ['blog.scrapinghub.com']
    start_urls = ['http://blog.scrapinghub.com/']

    rules = (
        Rule(LinkExtractor(restrict_xpaths=('//div[@class="blog-pagination"]/a', )),  callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        for title in response.xpath('//div[@class="post-listing"]/div[@class="post-item"]/div[@class="post-header"]/h2'):
            item = BlogscrapyItem()
            item['title'] = title.xpath('./a/text()').extract_first()
            yield item

pipeline.py的内容如下：

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json

class BlogscrapyPipeline(object):
    
    def __init__(self):
        self.file = open('pipeline-result.json', 'a+', encoding='utf-8')

    def process_item(self, item, spider):
        content = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(content)
        return item

    def close_spider(self, spider):
        self.file.close()

最后，需要把pipeline的处理加到工程里面才能起作用，编辑工程目录下的settings.py文件，加入以下内容：

ITEM_PIPELINES = {
    'blogscrapy.pipelines.BlogscrapyPipeline': 300,
}

3. 运行结果

上图看到成功爬取了12页内容，每页10条，总共115篇文章。

4. 本文源码下载

下载地址： 点我去下载

---

参考资料

[1]: Scrapy官方文档
[2]: Python3爬取今日头条系列
[3]: 廖雪峰老师的Python3 在线学习手册
[4]: Python3官方文档
[5]: 菜鸟学堂-Python3在线学习
[6]: XPath语法参考