Scrapy爬取清华教授信息
第一个爬虫任务——爬取清华教授的信息。由于清华每个院的网站结构不一样,所以从其中一个院入手——我选择的是土木水利院,进行爬取,需要爬取的信息是教授的名字、教育背景、研究领域、学术成果(若干篇论文)以及百度学术中这些论文的摘要。
工具
使用scrapy框架,解析页面过程中使用xpath进行元素定位。
过程
-
新建scrapy项目: 在打算存储该项目的目录下打开命令行,输入
scrapy startproject tsinghua_professor
; -
将项目导入pycharm,首先确定爬取的内容,编写items.py;
-
编辑pipelines.py文件,把结果写到json文件里面
class TsinghuaProfessorPipeline(object):
def