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:
    在这里插入图片描述

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
在这里插入图片描述
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
    在这里插入图片描述

  • 可以在request请求网页显示内容时引用dont_filter,可以为true或者false
    在这里插入图片描述

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
    在这里插入图片描述

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
    在这里插入图片描述

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:
    在这里插入图片描述
  • 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
    在这里插入图片描述
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值