创建第一个Scrapy项目

d:
进入D盘

scrapy startproject tutorial
建立一个新的Scrapy项目

cd tutorial

进入项目路径

scrapy genspider quotes toscrape.com

建立一个新的爬虫

 

 

工程的目录结构：

 

tutorial/
scrapy.cfg # 部署配置文件

tutorial/ # 项目的Python模块，您将从这里导入代码
__init__.py

items.py # 项目项目定义文件

middlewares.py # 项目中间件文件

pipelines.py # 项目管道文件

settings.py # 项目设置文件

spiders/ # 一个目录，你以后会把你的爬虫放进去
__init__.py

 

新建quotes_spider.py：

import scrapy


class QuotesSpider(scrapy.Spider):
    # QuotesSpider类继承scrapy.Spider类
    name = "quotes"
    # 标识蜘蛛。它在项目中必须是唯一的，也就是说，不能为不同的蜘蛛设置相同的名称

    def start_requests(self):
        # 必须返回Spider将开始抓取的请求的迭代（您可以返回请求列表或编写生成器函数）
        # 后续请求将从这些初始请求中连续生成
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        # 将被调用来处理为每个请求下载的响应的方法。
        # 响应参数是TextResponse保存页面内容的一个实例，并有更多有用的方法来处理它
        # 该parse()方法通常解析响应，将提取的数据提取为字符串，并查找新的URL并Request根据它们创建新的请求
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)

 

scrapy crawl quotes
运行爬虫

 

 

已经创建了两个新文件：quotes-1.html和quotes-2.html，以及各个URL的内容，正如我们的parse方法所指示的那样