scrapy入门案例
一. 新建项目(scrapy startproject)
- 在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：
scrapy startproject scrapyDemo
- 其中， mySpider 为项目名称，可以看到将会创建一个
scrapyDemo文件夹，目录结构大致如下：
各个主要文件的作用：
scrapy.cfg ：项目的配置文件
scrapyDemo/ ：项目的Python模块，将会从这里引用代码
scrapyDemo/items.py ：项目的目标文件
scrapyDemo/pipelines.py ：项目的管道文件
scrapyDemo/settings.py ：项目的设置文件
scrapyDemo/spiders/ ：存储爬虫代码目录
抓取：https://www.cnblogs.com/loaderman/ 网站里的所有讲师的标题、描述、详情链接地址和日期。
-
打开
scrapyDemo目录下的items.py -
Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。
-
可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。
-
接下来，创建一个LoadermanItem 类，和构建item模型（model）。
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class LoadermanItem(scrapy.Item):
title = scrapy.Field()
detailUrl = scrapy.Field()
content = scrapy.Field()
date = scrapy.Field()
制作爬虫 （spiders/loadermanSpider.py）
爬虫功能要分两步：
1. 爬数据
- 在当前目录下输入命令，将在
mySpider/spider目录下创建一个名为loaderman的爬虫，并指定爬取域的范围：
scrapy genspider loadermanSpider "http://www.cnblogs.com"
- 打开 mySpider/spider目录里的 loadermanSpider.py，默认增加了下列代码:
# -*- coding: utf-8 -*-
import scrapy
class LoadermanSpider(scrapy.Spider):
name = 'loaderman'
allowed_domains = ['http://www.cnblogs.com']
start_urls = ['http://www.cnblogs.com/loaderman']
def parse(self, response):
pass
其实也可以由我们自行创建loadermanSpider.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。
-
name = ""：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。 -
allow_domains = []是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。 -
start_urls = ()：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。 -
parse(self, response)：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：- 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
- 生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个url
start_urls = ['http://www.cnblogs.com/loaderman']
修改parse()方法
def parse(self, response):
filename = "loaderman.html"
open(filename, 'w').write(response.body)
然后运行一下看看，在项目目录下执行：
scrapy crawl loaderman
是的，就是 loaderman，看上面代码，它是 loadermanSpider 类的 name 属性，也就是使用 scrapy genspider命令的唯一爬虫名。
运行之后，如果打印的日志出现 [scrapy] INFO: Spider closed (finished)，代表执行完成。 之后当前文件夹中就出现了一个 loaderman.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。
# 注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码；
# 我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
# 这三行代码是Python2.x里解决中文编码的万能钥匙， 现在Python3默认编码是Unicode。
2. 取数据
- 爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：
直接上XPath开始提取数据
# -*- coding: utf-8 -*-
import scrapy
from scrapyDemo.items import LoadermanItem
class LoadermanSpider(scrapy.Spider):
name = 'loaderman'
allowed_domains = ['http://www.cnblogs.com']
start_urls = ['http://www.cnblogs.com/loaderman']
def parse(self, response):
# filename = "loaderman.html"
# open(filename, 'w').write(response.body)
xpathList = response.xpath("//div[@class='post']")
items= []
for each in xpathList:
# 将我们得到的数据封装到一个 `LoadermanItem` 对象
item = LoadermanItem()
# extract()方法返回的都是unicode字符串
title = each.xpath(".//h2/a[@class='postTitle2']/text()").extract()
detailUrl = each.xpath(".//a[@class='postTitle2']/@href").extract()
content = each.xpath(".//div[@class='c_b_p_desc']/text()").extract()
date = each.xpath(".//p[@class='postfoot']/text()").extract()
# xpath返回的是包含一个元素的列表
item['title'] = title[0]
item['detailUrl'] = detailUrl[0]
item['content'] = content[0]
item['date'] = date[0]
items.append(item)
# #将获取的数据交给pipelines
# yield items
# 返回数据，不经过pipeline
return items
保存数据
scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：
# json格式，默认为Unicode编码
scrapy crawl loaderman -o teachers.json
# json lines格式，默认为Unicode编码
scrapy crawl loaderman -o teachers.jsonl
# csv 逗号表达式，可用Excel打开
scrapy crawl loaderman -o teachers.csv
# xml格式
scrapy crawl loaderman -o teachers.xml
