python—简单数据抓取六（安装scrapy环境并创建爬虫项目、以顶点小说网为例利用scrapy进行爬取、scrapy相关的注意事项）

学习目标：

python学习二十六—简单数据抓取六

---

学习内容：

• 学习使用scrapy
  1、安装scrapy环境并创建爬虫项目
  2、以顶点小说网为例利用scrapy进行爬取
  3、scrapy相关的注意事项

---

1、安装scrapy环境并创建爬虫项目

• windows电脑的cmd中输入canda install scrapy安装scrapy环境
• scrapy爬虫为异步，在爬取的过程中就可能会出现显示顺序不一致
• cmd到项目需要保存的位置，输入scrapy startproject 项目名创建项目
• cd到项目下，scrapy genspider app名+爬取的网址 （项目下网站的一段网址作为app的名字）
• 运行scrapy是在cdm中输入：scrapy crawl 爬虫app名，点回车运行某个爬虫
• scrapy运行流程：
  

---

2、以顶点小说网为例利用scrapy进行爬取

1、根据项目创建流程创建出顶点项目

2、进入app进行相关爬虫的编写，将爬取的顶点数据转入item购物车

• 在app23us中，编写主要的代码

import scrapy
from dingdian.items import DingdianItem


class A23usSpider(scrapy.Spider):
    # 爬虫的名字，在terminal运行爬虫时，scrapy crawl 23us 即末尾加上爬虫的名字
    name = '23us'
    allowed_domains = ['www.23us.com']


# start_urls是爬虫自带的，它所请求的东西可以给到对应的parse方法
    # start_urls = ['https://www.23us.com/class/'+str(type)+'_1.html' for type in range(1, 11)]
    # parse方法

    # def _parse(self, response):
    # 将start_urls请求到的内容返回到parse方法，并打印出
    #     print(response.url)


# 这是比较自主的scrapy自带的方法，可以改写一些内容，比start_urls更方便
    def start_requests(self):
        for types in range(1, 11):
            # 这里请求到顶点小说的十个大分类的连接
            urls = 'https://www.23us.com/class/'+str(types)+'_1.html'
            # 并且关系到下面的first方法，start_requests方法获取的东西都传给first方法
            yield scrapy.Request(urls, self.first)

    def first(self, response):
        print(response.url)
        # 在十个大分类的连接中xpath匹配到每一分类的最大页数，并从列表中取值出来
        max_page = response.xpath('//a[@class="last"]/text()').extract()[0]
        print(max_page)
        # 循环每个大分类的每一页的连接并打印出来
        for page in range(1, int(max_page)+1):
            every_page = response.url.split('_')[0]+'_'+str(page)+'.html'
            # 关系到下面的show方法，frist方法获取到的所有东西都传给show方法
            yield scrapy.Request(every_page, self.show)


    def show(self, response):
        # item是scrapy的暂存库可以理解为购物车，此处是将item实例化
        item = DingdianItem()
        # 接frist方法的每一页的链接获取页面内容，提取出抓取内容xpath的公共部分为base
        base = response.xpath('//*[@id="content"]/dd[1]/table//tr')
        # 循环base中的元素，并分别获取后续的相关内容
        for i in base:
            book_name = i.xpath('td[1]/a[2]/text()').extract_first()
            book_author = i.xpath('td[3]/text()').extract_first()
            # 将获取的相关内容插入到item中
            item['book_name'] = book_name
            item['book_author'] = book_author
            yield item

• 同时item的代码为：

import scrapy


class DingdianItem(scrapy.Item):
    # define the fields for your item here like:
    book_name = scrapy.Field()
    book_author = scrapy.Field()

3、在__init.py__文件的request中存在dont_filter=False，为去重

• 注意它的作用，可能会因为去重造成相似的数据丢失
  

• 可以在request请求网页显示内容时引用dont_filter，可以为true或者false
  

4、为了运行的方便可以创建一个启动py文件

• 23us为创建的app名
  

5、存入item购物车的数据需要到pipelines.py文件中取出利用

• 在pipelines中取出数据的同时，可以在该文件中编写数据库入库的相关代码
  

---

3、scrapy相关的注意事项

1、在scrapy运行时，应该注意setting文件中相关的内容要打开注解

• pipelines注解，如果不打开，pipeline将不能正常取出数据

ITEM_PIPELINES = {
   'dingdian.pipelines.DingdianPipeline': 300,
}

• 守约文件，需关闭，不然会影响爬取数据的完整性

ROBOTSTXT_OBEY = False

2、向项目中添加header头

• 在app中的request中直接添加相关header头
• 在setting中找到header头的位置，直接添加全局的header头，所有请求将使用该header头
• 在在setting中找到header头的位置，添加全局的公共header头，然后在需要添加特殊header头的请求添加其他部分header头（爬虫执行时会先执行代码中的header头，再执行setting中的header头）
• 在middlewares.py文件中，找到process_request方法，在该方法中可以编写代码判断不同的爬虫名，采用不同的header头

3、middlewares.py文件中的process_request方法和process_response方法

• process_request方法：

返回response时，不经过downloader，直接返回到spiders
返回request时，就会进入一个无限循环
返回IgnoreRequest时，就是转到process_exception方法，重新编写方法

• process_response方法
  代理IP在此方法中添加

返回request时，将请求任务重新调度申请链接
返回response时，将下载器下载的内容正常放回送

4、将scrapy爬取的数据保存为json数据

• 在转json之前，数据应该先存入到item购物车
• 在terminal输入命令进行转json：scrapy crawl 23us(爬虫app名) -o 23us.json(保存的json文件名)
• 生成的json文件：
  
• 可以直接在爬取数据时将数据转为json，即在启动时就输入json转换命令，将指令写入启动py文件