超详细官方教程解析

https://blog.csdn.net/fly_yr/article/details/51540269

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。

 

实战过程:

  1. 创建一个Scrapy项目
  2. 定义提取的Item
  3. 编写爬取网站的 spider 并提取 Item
  4. 编写 Item Pipeline 来存储提取到的Item(即数据)

1】创建Scrapy项目

scrapy startproject TestDemo 

进入到相应的文件目录下,在地址栏输入cmd进入命令行界面,输入以上命令,则会在相应的文件目录下建立一个项目

Scrapy快速上手 Python 第1张

 

创建spider.py命令:scrapy genspider -t basic 名字 网址

也可以手动创建

 

运行爬虫时,在项目所在目录的地址栏cmd,进入,输入 scrapy crawl 爬虫名字;

否则可能会提示没找到该命令

其他相关命令

Scrapy快速上手 Python 第2张

2】定义Item容器

Scrapy快速上手 Python 第3张

添加字段位置

Scrapy快速上手 Python 第4张   

先建模     //左是名字 右边是 占位符

Scrapy快速上手 Python 第5张

3】编写爬虫:

Scrapy快速上手 Python 第6张Scrapy快速上手 Python 第7张

实现爬虫的python文件应该在spiders文件夹下

Scrapy快速上手 Python 第8张

#def parse是回调函数,从Downloader返回response后,接受response而执行的方法;分别裁剪xx作为文件名,将网页的<body>内容保存至两个文件;

 

【3-1】爬“取”:     ---------利用Xpath

Scrapy快速上手 Python 第9张      Scrapy快速上手 Python 第10张

 

XPath举例:

Scrapy快速上手 Python 第11张

【3-2】重写spider的分析方法      【原方法是为了保存,验证用】

Scrapy快速上手 Python 第12张

【4】将数据存放到Item容器中

Scrapy快速上手 Python 第13张

【5】导出保存

scrapy crawl domz -o items.json -t json

#-o 指导出 后跟文件名字【需要后缀

#-t 表示导出的格式,此处用json

#此处代码意思是,运行爬虫domz,并以json格式导出保存为items.json

 

 

 

 

 

实战中注意点:

1.  刚开始入门的时候,要爬取能爬的网站。。。有些是有反爬虫机制的,不然还会以为是代码错了导致没爬到数据

2.  xpath()    中:

比如爬<html><head><title>xxx   的内容,

如果已经sites = sel.xpath('/html/head/title') 

接下来用site = sites.xpath('text()').extract()    即可获取Selector对象的列表字符串化后的unicode字符串

 

而不是site = sites.xpath('/text()').extract()  或者 site = sites.xpath('title/text()').extract()

 

 3.定义Item容器 中, 要和存放容器时使用的一致,不可无中生有

Scrapy快速上手 Python 第14张

Scrapy快速上手 Python 第15张

 

扫码关注我们
微信号:SRE实战
拒绝背锅 运筹帷幄