Scrapy入门案例，抓取美剧天堂的前100最新

  Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

1.下载安装

我使用的是Anaconda3，相应的python版本是3.7

pip install scarpy

2.简单案例

抓取美剧天堂的前100最新，如下图所示：

步骤：

（1）cmd进入需要创建项目的文件夹

cd E://ScrapyTest

（2）创建工程

scrapy startproject movie

（3）创建爬虫程序

cd movie // 进入工程目录
scrapy genspider meiju meijutt.com //创建爬虫程序

执行代码，系统会自动创建文件目录和文件，如下图所示：

文件说明：

scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）

items.py    设置数据存储模板，用于结构化数据，如：Django的Model

pipelines    数据处理行为，如：一般结构化的数据持久化

settings.py 配置文件，如：递归的层数、并发数，延迟下载等

spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

（4）设置数据模板（每条数据格式）

#items.py
import scrapy
 
 
class MovieItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()

（5）爬虫主类

#meiju.py
# -*- coding: utf-8 -*-
import scrapy
 
from movie.items import MovieItem
 
 
class MeijuSpider(scrapy.Spider):
    name = 'meiju'
    allowed_domains = ['meijutt.com']
    start_urls = ['http://www.meijutt.com/new100.html']
 
    def parse(self, response):
        movies = response.xpath('//ul[@class="top-list  fn-clear"]/li')
        for each_movie in movies:
            item = MovieItem()
            item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]
            yield item

（6）设置配置文件

#settings.py
添加内容
ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}

（7）抓取后数据处理程序

#pipelines.py
# -*- 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
 
 
class MoviePipeline(object):
    def process_item(self, item, spider):
        with open("E://my_meiju.txt",'a') as fp:
            print(type(item['name']))
            fp.write(item['name'] + "\n")

（8）执行爬虫程序

cd movie
scrapy crawl meiju