Python_Scarapy_02-03_Scrapy框架安装和命令介绍+Scrapy项目基本使用

Scrapy Reference : https://doc.scrapy.org/en/master/index.html

 

2.1. Scrapy installation

Scrapy Installation Reference: https://doc.scrapy.org/en/latest/intro/install.html

To install scrapy on Ubuntu (or Ubuntu-based) systems, you need to install these dependencies:

sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

• python-dev, zlib1g-dev, libxml2-dev and libxslt1-dev are required for lxml
• libssl-dev and libffi-dev are required for cryptography

If you want to install scrapy on Python 3, you’ll also need Python 3 development headers:　

sudo apt-get install python3 python3-dev

you can install Scrapy with pip after that:

pip3 install scrapy

 

2.2 Scrapy 安装验证及命令介绍

 

3. Scrapy 入门案例

3.1 创建项目（scrapy startproject)

• 在开始爬虫之前，必须创建一个新的scrapy项目，进入定义的项目目录中，运行命令：

scrapy startproject mySpider　　

• 其中，mySpider为项目名称，可以看到将会创建一个mySpider文件夹，目录结构如下：

　　

　　下面为个文件的作用：　　

scrapy.cfg：项目的配置文件。
mySpider ：项目的Python模块，将会从这里引用代码。
mySpider/items.py：项目的目标文件
mySpider/pipelines.py：项目管道文件
mySpider/settings.py：项目的设置文件
mySpider/spiders/：存储爬虫代码目录

 

3.2 明确目标（mySpider/items.py)

我们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站的所有讲师的姓名、职称和个人信息。

1. 打开mySpider目录下的items.py。
2. item定义结构数据字段，用来保存爬去到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误
3. 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）。
4. 接下来，创建一个ItcastItem类，和构建item模型（model）。

import scrapy

class MyspiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

class ItcastItem(scrapy.Item):　　　　#定义了三个字段
    name = scrapy.Field()　　　　
    level = scrapy.Field()
    info = scrapy.Field()

 

3.3 制作爬虫（spider/itcastSpider.py）

爬虫功能要分两步：

1. 爬数据

在当前目录下输入命令，将mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取区域的范围：

scrapy genspider itcast “itcast.cn"　　#创建了一个名为itcast的爬虫（项目中唯一）。爬取的区域为itcast.cn。这些会写入mySpider/spider目录里的itcast.py文件中。

注：后续生成的文件为：itcast.py

执行完此代码，spders文件夹中多了一个itcast.py文件（__pycache__中也会增加一些文件）：

 

打开mySpider/spider目录里的itcast.py，默认增加了下列代码：

# -*- coding: utf-8 -*-
import scrapy

class ItcastSpider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.cn']
    start_urls = ['http://itcast.cn/'，]　　 8 
    def parse(self, response):
        pass

其实也可以由我们自行创建itcast.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会被忽视。
• start_urls= () ：爬取的URL元祖/列表，爬虫从这里抓取数据，所以，第一次下载的数据将会从这些URLs开始，其他URL将会从这些起来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。 

Spider类是写的就是我们的爬虫代码，其中有些重要的属性和方法：

name：定义spider名字的字符串。
    例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite

allowed_domains：包含了spider允许爬取的域名(domain)的列表，可选。

start_urls：初始URL元祖/列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。

start_requests(self)：该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用 start_urls 的url）的第一个Request。
当spider启动爬取并且未指定start_urls时，该方法被调用。

parse(self, response)：当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。

log(self, message[, level, component])：使用 scrapy.log.msg() 方法记录(log)message。 更多数据请参见 logging

 

将start_urls的值修改为需要爬取的第一个url：

start_urls = ['http://www.itcast.cn/channel/teacher.shtml',]

修改parse（）方法:

    def parse(self, response):
        with open("teacer.html","wb") as f:
                f.write(response.txt)

然后运行一下看看，再mySpider目录下执行：

scrapy crawl itcast

 注意：项目名是itcast，且唯一。它是itcastSpider类的name属性，也就是使用scrapy genspider命令的爬虫名。

一个scrapy爬虫项目里，可以存在多个爬虫，各个爬虫在执行时，就是按照name属性来区分。

运行之后，如果打印日志出现[scrapy.core.engine] INFO: Spider closed (finished)，代表执行完成。之后当前文件夹中就出现一个teacher.html文件，里面就是刚刚要爬取网页的全部源代码。

#注意：Python2.x默认编码环境是ASCII，当取回数据编码格式不一样时，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，Python3，默认是unicode了。

 2. 取数据

• 爬取整个网页完毕，接下来的就是取数据的过程，首先观察页面源代码：

用XPath开始提取数据：（用scrapy shell来提数据更直观）

scrapy shell 'http://www.itcast.cn/channel/teacher.shtml'
2018-07-23 16:07:42 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: mySpider)
2018-07-23 16:07:42 [scrapy.utils.log] INFO: Versions: lxml 4.2.3.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.5.0, w3lib 1.19.0, Twisted 18.7.0, Python 3.5.2 (default, Nov 23 2017, 16:37:01) - [GCC 5.4.0 20160609], pyOpenSSL 18.0.0 (OpenSSL 1.0.2g  1 Mar 2016), cryptography 2.3, Platform Linux-4.4.0-130-generic-x86_64-with-Ubuntu-16.04-xenial
2018-07-23 16:07:42 [scrapy.crawler] INFO: Overridden settings: {'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'NEWSPIDER_MODULE': 'mySpider.spiders', 'LOGSTATS_INTERVAL': 0, 'ROBOTSTXT_OBEY': True, 'BOT_NAME': 'mySpider', 'SPIDER_MODULES': ['mySpider.spiders']}
2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole']
2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2018-07-23 16:07:43 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2018-07-23 16:07:43 [scrapy.core.engine] INFO: Spider opened
2018-07-23 16:07:45 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.itcast.cn/robots.txt> (referer: None)
2018-07-23 16:07:46 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.itcast.cn/channel/teacher.shtml> (referer: None) ['partial']
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x7f61eb8be0b8>
[s]   item       {}
[s]   request    <GET http://www.itcast.cn/channel/teacher.shtml>
[s]   response   <200 http://www.itcast.cn/channel/teacher.shtml>
[s]   settings   <scrapy.settings.Settings object at 0x7f61e57c4898>
[s]   spider     <ItcastSpider 'itcast' at 0x7f61e5354978>
[s] Useful shortcuts:
[s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s]   fetch(req)                  Fetch a scrapy.Request and update local objects 
[s]   shelp()           Shell help (print this help)
[s]   view(response)    View response in a browser

• response（）的用法：
  • dir(response):

>>> dir(response)
['_DEFAULT_ENCODING', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__slots__', '__str__', '__subclasshook__', '__weakref__', '_auto_detect_fun', '_body', '_body_declared_encoding', '_body_inferred_encoding', '_cached_benc', '_cached_selector', '_cached_ubody', '_declared_encoding', '_encoding', '_get_body', '_get_url', '_headers_encoding', '_set_body', '_set_url', '_url', 'body', 'body_as_unicode', 'copy', 'css', 'encoding', 'flags', 'follow', 'headers', 'meta', 'replace', 'request', 'selector', 'status', 'text', 'url', 'urljoin', 'xpath']

• • response.css:

>>> response.css("div.li_txt")[0].extract()
'<div class="li_txt">\r\n\t\t\t\t\t\t\t<h3>朱老师</h3>\r\n\t\t\t\t\t\t\t<h4>高级讲师</h4>\r\n\t\t\t\t\t\t\t<p>15年以上的软件开发、大型软件项目设计和团队管理经验。精通C/C++、pascal、Basic等各种编程语言，精通MySQL、Oracle、SQLServer等关系数据库。讲课深入浅出，将复杂理论转化为通俗易懂的语言，深受学生的好评。</p>\r\n\t\t\t\t\t\t</div>'
>>> response.css("div.li_txt")[1].extract()
'<div class="li_txt">\r\n\t\t\t\t\t\t\t<h3>王老师</h3>\r\n\t\t\t\t\t\t\t<h4>高级讲师</h4>\r\n\t\t\t\t\t\t\t<p>毕业于山东大学，计算机硕士。具有10年项目开发、项目管理经验，任事业部技术总监，长期一线项目经理。主持开发过的项目涉及银行、政府等应用领域。多年企业内训培训师，讲课深入浅出，深受学生和企业员工的好评。</p>\r\n\t\t\t\t\t\t</div>'

• • response.xpath:

>>> response.xpath("//div[@class='li_txt']")[1].extract    #注意：要加（）
<bound method Selector.get of <Selector xpath="//div[@class='li_txt']" data='<div class="li_txt">\r\n\t\t\t\t\t\t\t<h3>王老师</h3'>>

>>> response.xpath("//div[@class='li_txt']")[1].extract()
'<div class="li_txt">\r\n\t\t\t\t\t\t\t<h3>王老师</h3>\r\n\t\t\t\t\t\t\t<h4>高级讲师</h4>\r\n\t\t\t\t\t\t\t<p>毕业于山东大学，计算机硕士。具有10年项目开发、项目管理经验，任事业部技术总监，长期一线项目经理。主持开发过的项目涉及银行、政府等应用领域。多年企业内训培训师，讲课深入浅出，深受学生和企业员工的好评。</p>\r\n\t\t\t\t\t\t</div>'

>>> response.xpath("//div[@class='li_txt']/h3")[1].extract()
'<h3>王老师</h3>'

>>> response.xpath("//div[@class='li_txt']/h3/text()")[1].extract()
'王老师'

>>> response.xpath("//div[@class='li_txt']/h4/text()")[1].extract()
'高级讲师'

>>> response.xpath("//div[@class='li_txt']/p/text()")[1].extract()
'毕业于山东大学，计算机硕士。具有10年项目开发、项目管理经验，任事业部技术总监，长期一线项目经理。主持开发过的项目涉及银行、政府等应用领域。多年企业内训培训师，讲课深入浅出，深受学生和企业员工的好评。'

Example2:

>>> stocklist = response.xpath("//div[@id='quotesearch']/ul/li/a/text()")    #no extract()

>>> print (type(stocklist))
<class 'scrapy.selector.unified.SelectorList'>        #still a selector

>>> print (dir(stocklist))
['__add__', '__class__', '__contains__', '__delattr__', '__delitem__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__getitem__', '__getslice__', '__getstate__', '__gt__', '__hash__', '__iadd__', '__imul__', '__init__', '__iter__', '__le__', '__len__', '__lt__', '__module__', '__mul__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__reversed__', '__rmul__', '__setattr__', '__setitem__', '__sizeof__', '__slots__', '__str__', '__subclasshook__', '__weakref__', 'append', 'attrib', 'clear', 'copy', 'count', 'css', 'extend', 'extract', 'extract_first', 'extract_unquoted', 'get', 'getall', 'index', 'insert', 'pop', 're', 're_first', 'remove', 'reverse', 'select', 'sort', 'x', 'xpath']

>>> print (stocklist)
....
<Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='御家汇(300740)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='华宝股份(300741)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='越博动力(300742)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='天地数码(300743)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='欣锐科技(300745)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='汉嘉设计(300746)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='锐科激光(300747)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='宁德时代(300750)'>]

>>> print(stocklist[100])
<Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='中证500C(501037)'>

>>> stocklist = response.xpath("//div[@id='quotesearch']/ul/li/a/text()").extract()    #to call the method of extract()

>>> print(type(stocklist))
<class 'list'>

>>> print(stocklist)
[...'乐歌股份(300729)', '科创信息(300730)', '科创新源(300731)', '设研院(300732)', '西菱动力(300733)', '光弘科技(300735)', '百华悦邦(300736)', '科顺股份(300737)', '奥飞数据(300738)', '明阳电路(300739)', '御家汇(300740)', '华宝股份(300741)', '越博动力(300742)', '天地数码(300743)', '欣锐科技(300745)', '汉嘉设计(300746)', '锐科激光(300747)', '宁德时代(300750)']

>>> print(stocklist[100])
中证500C(501037)


>>> stocklist = response.xpath("//div[@id='quotesearch']")

>>> stock = stocklist.xpath("./ul/li/a/text()")     #注意./

>>> print(type(stock))
<class 'scrapy.selector.unified.SelectorList'>

>>> print(stock[100])
<Selector xpath='./ul/li/a/text()' data='中证500C(501037)'>

 

>>> stocklist = response.css("div#quotesearch")        #without extract()

>>> print(type(stocklist))
<class 'scrapy.selector.unified.SelectorList'>

>>> print(stocklist)
[<Selector xpath="descendant-or-self::div[@id = 'quotesearch']" data='<div id="quotesearch">\r\n            <div'>]

>>> stocklist = response.css("div#quotesearch").extract()    #call the method extract()

>>> print(type(stocklist))
<class 'list'>

>>>print(stocklist)    = print(stocklist[0])        #在列表中只有一个项目
[...                                           <li><a target="_blank" href="http://quote.eastmoney.com/sz300743.html">天地数码(300743)</a></li>\r\n            \r\n            <li><a target="_blank" href="http://quote.eastmoney.com/sz300745.html">欣锐科技(300745)</a></li>\r\n            \r\n            <li><a target="_blank" href="http://quote.eastmoney.com/sz300746.html">汉嘉设计(300746)</a></li>\r\n            \r\n            <li><a target="_blank" href="http://quote.eastmoney.com/sz300747.html">锐科激光(300747)</a></li>\r\n            \r\n            <li><a target="_blank" href="http://quote.eastmoney.com/sz300750.html">宁德时代(300750)</a></li>\r\n            </ul>\r\n            \r\n            </div>']    

#CSS与xpath不同，不能像xpath那样有“root”和“/ 。/ //”的概念。
>>> stocklist = response.css("div#quotesearch")    
>>> stock = stocklist.css("./ul/li/a::text")
Traceback (most recent call last):
  File "/usr/lib/python3.5/code.py", line 91, in runcode
    exec(code, self.locals)
  File "<console>", line 1, in <module>
  File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 93, in css
    return self.__class__(flatten([x.css(query) for x in self]))
  File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 93, in <listcomp>
    return self.__class__(flatten([x.css(query) for x in self]))
  File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 262, in css
    return self.xpath(self._css2xpath(query))
  File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 265, in _css2xpath
    return self._csstranslator.css_to_xpath(query)
  File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/csstranslator.py", line 109, in css_to_xpath
    return super(HTMLTranslator, self).css_to_xpath(css, prefix)
  File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/xpath.py", line 192, in css_to_xpath
    for selector in parse(css))
  File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 355, in parse
    return list(parse_selector_group(stream))
  File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 368, in parse_selector_group
    yield Selector(*parse_selector(stream))
  File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 376, in parse_selector
    result, pseudo_element = parse_simple_selector(stream)
  File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 432, in parse_simple_selector
    result = Class(result, stream.next_ident())
  File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 743, in next_ident
    raise SelectorSyntaxError('Expected ident, got %s' % (next,))
cssselect.parser.SelectorSyntaxError: Expected ident, got <DELIM '/' at 1>

 

 

 

 

• 我们之前在mySpider/items.py里定义了一个ItcastItem类，这里引入进来：

from mySpider.items import ItcastItem

• 然后将我们得到的数据封装到一个ItcastItem对象中，可以保存每个老师的属性：（./mySpider/spiders/itcast.py）

# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import ItcastItem

class ItcastSpider(scrapy.Spider):
    #爬虫名，启动爬虫时需要的参数*必需）
    name = 'itcast'

    #爬取域范围，允许爬虫在这个域名下进行爬取（可选）
    allowed_domains = ['itcast.cn']

    # 起始url列表，爬虫执行后第一批请求，将从这个列表里获取。
    start_urls = ['http://www.itcast.cn/channel/teacher.shtml',]

    def parse(self, response):
        node_list = response.xpath("//div[@class='li_txt']")

        #用来存储所有的item字段的
        #items = []
        for node in node_list:
            #创建item字段对象，用来存储信息。
            item = ItcastItem()
            #.extract()将xpath对象转换为Unicode字符串            
            name = node.xpath("./h3/text()").extract()
            title = node.xpath("./h4/text()").extract()
            info = node.xpath("./p/text()").extract()

            item['name']=name[0]
            item['title']=title[0]
            item['info']=info[0]

            #items.append(item)　　
　　　　　　　#放回提取到的每个item数据，给管道文件来处理，同时放回到for循环，继续执行for循环代码。　
        　　 yield items
        

 yield的作用是：它把数据返回到一个管道中，等处理网数据之后，它会回到for循环的初始位置，执行没有完成的for循环语句，直到for循环语句结束之后方法才会结束。

另一种实现方式：

# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import ItcastItem

class ItcastSpider(scrapy.Spider):
     #爬虫名，启动爬虫时需要的参数*必需）
     name = 'itcast'
 
     #爬取域范围，允许爬虫在这个域名下进行爬取（可选）
     allowed_domains = ['itcast.cn']
 
     # 起始url列表，爬虫执行后第一批请求，将从这个列表里获取。
     start_urls = ['http://www.itcast.cn/channel/teacher.shtml',]
 
     def parse(self, response):
         node_list = response.xpath("//div[@class='li_txt']")
 
         #用来存储所有的item字段的
         items = []

         for node in node_list:
             #创建item字段对象，用来存储信息。
             item = ItcastItem()
             #.extract()将xpath对象转换为Unicode字符串            
             name = node.xpath("./h3/text()").extract()
             title = node.xpath("./h4/text()").extract()
             info = node.xpath("./p/text()").extract()
             #xpath返回的是包含一个元素的列表
             item['name']=name[0]
             item['title']=title[0]
             item['info']=info[0]
 
             items.append(item)　　#放回提取到的每个item数据，给管道文件来处理，同时放回到for循环,继续执行for循环代码。　
        
        #直接返回最后数据
        return items

 

 保存数据

scrapy保存信息的最简单的方式主要有四种，-o输出指点的文件，命令如下：

# json格式，默认为Unicode编码
scrapy crawl itcast -o teachers.json

# json lines格式，默认为Unicode编码
scrapy crawl itcast -o teachers.json1

# csv 逗号表示式，可用Excel打开
scrapy crawl itcast -o teachers.csv

# xml 格式:
scrapy crawl itcast -o teachers.xml

 

3. item pipeline

当item在spider中被收集之后，它将会被传递到item Pipeline，这些item Pipeline组件按定义的顺序处理item。

每个item Pipeline都是实现了简单方法的Python类，比如决定此item是丢弃而存储，以下是item pipeline的一些典型应用：

• 验证爬取的数据（检查item包含某些字段，比如说name字段）
• 查重（并丢弃）
• 将爬取结果保存到文件或者数据库中。

编写item pipeline

编写item pipeline很简单，item pipeline组件是一个独立的python类，其中process_item()方法必须实现：

 

 

/mySpider/settings

ITEM_PIPELINES = {
    'ITcast.pipelines.ItcastPipeline':300,         # 数越低，处理的优先级越高。
    'ITcast.pipelines.xxxPipeline':400,
}