Python爬虫之Scrapy框架的简介和基础应用

一 介绍什么Scrapy框架：

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。所谓的框架，也就是集成了各种的功能。

二 scrapy的安装

widows:

（1）先下载wheel

pip3 install wheel

（2）下载twisted

http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

(3)进入下载目录 在执行twisted

pip3 install
Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

(4) 在下载pywin32

pip3 install pywin32

(5)在下载scrapy即可

pip3 install scrapy

linux：

直接可以下载

pip install scrapy

三 scrapy的使用

1 创建scrapy工程：

scrapy startproject projectName(这是工程的名字)
#列如   scrapy startproject Pacong

项目结构：

project_name/
   scrapy.cfg：
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py
scrapy.cfg   项目的主配置信息。（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    数据持久化处理
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，编写爬虫解析规则

2 先cd 到工程下 在创建爬虫应用程序

(1) cd Pacong

(2) scrapy genspider first www.xxx.com

注意www.xxx.com 是爬虫文件的起始地址

scrapy genspider spiderName(爬虫文件名) www.xxx.com

3 编写爬虫文件：在执行完2之后，会在项目中生成一个应用名的py文件，起源码如下

import scrapy

class QiubaiSpider(scrapy.Spider):
    name = 'first' #应用名称
    #允许爬取的域名（如果遇到非该域名的url则爬取不到数据）在使用时这个一般不用到
    allowed_domains = ['https://www.qiushibaike.com/']
    #起始爬取的url
    start_urls = ['https://www.qiushibaike.com/']

     #访问起始URL并获取结果后的回调函数，该函数的response参数就是向起始的url发送请求后，获取的响应对象.该函数返回值必须为可迭代对象或者NUll 
     def parse(self, response):
        print(response.text) #获取字符串类型的响应内容
        print(response.body)#获取字节类型的相应内容

4 设置修改settings.py配置文件相关配置：

19行：USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' #伪装请求载体身份

22行：ROBOTSTXT_OBEY = False  #可以忽略或者不遵守robots协议

5 执行爬虫程序：scrapy crawl 应用文件名 （scrapy crawl first）

四 爬取糗事百科中的内容与标题

import scrapy
class FirstSpider(scrapy.Spider):
    name = 'first'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.qiushibaike.com/text/']

    def parse(self, response):
          #xpath为response中的方法，可以将xpath表达式直接作用于该函数中
        qushi_list = response.xpath('//div[@id="content-left"]/div')
        #用于存储解析到的数据
        all_data =[]
        for qushi in qushi_list:
         #xpath函数返回的为列表，列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中，需要调用extract()函数将解析的内容从Selecor中取出。
            author = qushi.xpath('./div[1]/a[2]/h2/text()').extract_first()
            print(author)
            content = qushi.xpath('//div[@class="content"]/span//text()').extract()
            content = ''.join(content)
            print(content)
            #将解析到的内容封装到字典中
            dic ={
                'author':author,
                'content':content
            }

            all_data.append(dic)
        return all_data

这个程序执行的时候，把爬取到的数据存放到本地中的一个文件名为qushi.csv当中

scrapy crawl first -o qushi.csv

执行爬虫程序：

scrapy crawl 爬虫文件名称   #该种执行形式会显示执行日志信息

scrapy crawl 爬虫文件名称 --nolog   #该种执行形式不会显示执行的日志信息


#还有一种不显示执行的日志信息的方法是
在配置文件settings.py中加入一句话
LOG_LEVEL ='ERROR'