Python项目--Scrapy框架(一)
环境
win8, python3.7, pycharm
正文
1.Scrapy框架的安装
在cmd命令行窗口执行:
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。pip install Scrapy
即可完成Scrapy框架的安装
2. 创建Scrapy项目
在cmd命令行窗口下切换到想要的目录下, 我这里是C:\Users\Administrator\PycharmProjects\untitled\Tests\Scrapy
执行下面代码, 即可在当前的"Scrapy"目录下生成JianShu项目文件夹.
scrapy startproject JianShu
文件夹结构如下:
items.py: 定义要爬取的项目
middlewares.py: 定义爬取时的中间介质
pipelines.py: 定义数据管道
settings.py: 配置文件
scrapy.cfg: Scrapy部署时的配置文件
3. 创建JianShuSpider
在cmd命令行依次执行以下代码, 即可在"JianShu/spiders"目录下创建JianShuSpider.py文件
cd JianShu
scrapy genspider JianShuSpider JianShuSpider.toscrape.com
4. 定义要爬取的项目
在items.py中确定要爬取的信息: 简书热门专题中的主题, 内容, 文章数, 粉丝数这四个信息
1 import scrapy 2 from scrapy.item import Item, Field 3 4 class JianshuItem(Item): 5 # define the fields for your item here like: 6 # name = scrapy.Field() 7 title = Field() #主题 8 content = Field() #内容 9 article = Field() #文章 10 fans = Field() #粉丝
5. 编写爬虫主程序
简书热门专题采用异步加载, 在NetWork中选择XHR来确定异步加载的url: https://www.jianshu.com/recommendations/collections?page=(1,2,3,4.....)&order_by=hot
在JianShuSpider.py中编写主程序:
1 import scrapy 2 from scrapy.spiders import CrawlSpider 3 from scrapy.selector import Selector 4 from JianShu.items import JianshuItem 5 from scrapy.http import Request 6 class JianShu(CrawlSpider): 7 name = 'JianShu' 8 allowed_domains = ['JianShuSpider.toscrape.com'] 9 start_urls = ['https://www.jianshu.com/recommendations/collections?page=1&order_by=hot'] 10 def parse(self, response): 11 item = JianshuItem() 12 #对源码进行初始化 13 selector = Selector(response) 14 #采用xpath进行解析 15 infos = selector.xpath('//div[@class="collection-wrap"]') 16 for info in infos: 17 title = info.xpath('a[1]/h4/text()').extract()[0] 18 content = info.xpath('a[1]/p/text()').extract() 19 article = info.xpath('div/a/text()').extract()[0] 20 fans = info.xpath('div/text()').extract()[0] 21 #加入判断, 如果content存在则返回content[0], 否则返回'' 22 if content: 23 content = content[0] 24 else: 25 content = '' 26 item['title'] = title 27 item['content'] = content 28 item['article'] = article 29 item['fans'] = fans 30 yield item 31 #列表生成式, 生成多个url 32 urls = ['https://www.jianshu.com/recommendations/collections?page={0}&order_by=hot'.format(str(page)) for page in range(2,37)] 33 for url in urls: 34 yield Request(url,callback=self.parse)
6. 保存到MongoDB
利用pipelines数据管道将其存储至MongoDB, 在pipelines.py编写:
1 import pymongo 2 3 class JianshuPipeline(object): 4 def __init__(self): 5 '''连接Mongodb''' 6 client = pymongo.MongoClient(host='localhost') 7 db = client['test'] 8 jianshu = db["jianshu"] 9 self.post = jianshu 10 def process_item(self, item, spider): 11 '''写入Mongodb''' 12 info = dict(item) 13 self.post.insert(info) 14 return item
7. setting配置
1 BOT_NAME = 'JianShu' 2 SPIDER_MODULES = ['JianShu.spiders'] 3 NEWSPIDER_MODULE = 'JianShu.spiders' 4 #从网站请求头复制粘贴User-Agent 5 USER_AGENT = 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' 6 ROBOTSTXT_OBEY = True 7 #设置等待时间5秒 8 DOWNLOAD_DELAY = 5 9 #配置项目管道 10 ITEM_PIPELINES = { 11 'JianShu.pipelines.JianshuPipeline': 300, 12 }
8. 新建main.py文件
在JianShu文件目录下新建main.py文件, 编辑如下代码:
1 from scrapy import cmdline 2 cmdline.execute('scrapy crawl JianShu'.split())
9. 运行main.py文件
在运行之前, 需确保mongodb服务已经启动, 执行结果如下:
更多精彩
