【零基础学爬虫】scrapy框架的基本使用

回顾

scrapy是一个非常强大的异步爬虫框架，组件丰富，我们只需要关注爬虫的逻辑即可。本文通过一个scrapy项目实战，来熟悉scrapy的使用

站点分析

目标站点:scrapy官方提供的抓取网站，主要是名人名言、作者标签之类的信息

网页结构非常简单

翻页url：
http://quotes.toscrape.com/page/5/
该网站没有任何的反爬虫措施，结果也很简单

流程框架

实现

进入命令行，切换到工程文件夹执行：

• scrapy startproject quote_tutorial
• cd quote_tutorial
• scrapy genspider quotes quotes.toscrape.com
• 打开pycharm，会发现如下图界面
  

其中一个文件的内容如下：

name：是唯一的标识
parse：用来解析爬取到的页面
其余文件介绍：
1.配置文件

2.items文件
它其实是用来保存数据的一个数据结构

3.middlewares文件
它其实是爬取数据时定义的一些中间件，可以用来处理request、response和一些exceptions之类的操作，可以用它来改一些request、response等一些相关的配置
4.piplines文件
管道，用来输出一些items，主要用做数据清洗、重复的检查、将数据存储到数据库

5.settings
这个文件比较重要，里面对了很多配置信息。、实际上就是很多的变量

最主要的代码都会在spider目录下写

运行

上图中的quotes是spider的唯一标识符，在之前也有介绍
运行：scrapy crawl quotes 就是执行那么为quotes的spider
下图是截取的另外一部分输出：

另外，我们该写下parse方法，该方法会在发起http请求后调用，主要是用来解析页面：

像之前一样运行：scrapy crawl quotes 后控制台就会输出请求成功后的网页源码
parse方法其实回调，在spider调用执行的时候首先会调用上图中的start_urls请求链接，然后会自动调用parse方法解析网页

网页分析和实现

我们需要的数据有：

• 名言内容
• 作者
• 标签
  
  先前提过，scrapy中自动生成了很多文件其中有一个名字为item，这个文件是用来定义存储网页数据的数据结构。这个类需要按照需求重写：主要是指定一些字段，之后就可以把爬取后的数据按照一个一个的整体保存下来了。item文件的初始化内容如下图所示：
  
  上图中注释的name字段其实就是示例说明，针对本次爬虫的需求我们对该文件进行补充，最后如下图所示：
  
  上述就是依旧本次爬虫需求而定义的存储数据的数据结构

页面解析
数据结构定义好之后，我们需要进行页面解析也就是parse方法的编写：

本文的parse方法如下图所示：

scrapy调试
scrapy还提供了一个非常强大的根据：scrapy shell
可以从terminal输入：scrapy shell quotes.toscrape.com后面跟的是网址，之后就可以进入命令行交互模式下面，在这里进行一些调试

之后可以进行一些调试：

也可以进行一些选择器的调试：

修改parse方法后运行
在修改parse方法后再在terminal中执行：scrapy crawl quotes
运行结果图：

翻页解析

上面已经完成了单个页面的解析，接下来就剩翻页问题了。翻页可以通过url来请求：
http://quotes.toscrape.com/page/5/
直接改变url中的页面数字即可完成翻页的请求，这个链接可以从response中获取:

使用css选择器即可：
next = response.css(’.pager .next a::attr(herf)’).extract_first()
之后将next转换为绝对的url：
url = response.urljoin(next)
上面得到的就是下一页的绝对url

加上翻页功能，完整的parse函数如下图所示：

完成parse函数后，再次执行：
scrapy crawl quotes
结果如下：

如何保存结果呢？

scrapy crawl quotes -o quotes.json
在当前目录下会生成quotes.json文件，文件中就是爬取的数据：

或者

• scrapy crawl quotes -o quotes.json：可以使用json.loads解析
• scrapy crawl quotes -o quotes.csv
• *scrapy crawl quotes -o quotes.txt
• *scrapy crawl quotes -o quotes.xml
• *scrapy crawl quotes -o quotes.jl:其实是json line格式：一行一行的存储
• 使用 -o输出结果到文件，通过文件名称后缀自动判断文件格式
• 另外还支持：pickle、marshal等后缀的文件格式
• 还支持远程保存:-o ftp://user:[email protected]/path/quotes.csv

剩余工作

保存之前可以做一些其他操作，比如：过滤掉一些不合格的item数据。这个功能可以借助piplines.py文件完成。该文件的原始内容如下：

这里我们只显示名言的前150个字符，如果名言的长度超过了150，则在后面用**…**替换piplines.py文件最终如下图所示：

注意：可以定义多个pipline：比如写数据库之类的也可以使用pipline实现
pipline定义后需要在setting文件中配置，当前启用哪几个pipline

最后，再次执行：
scrapy crawl quotes
执行结果表明达到了预期效果：

项目源码

上面给出了文章的核心代码分析，

扫描下方二维码，发送关键词“scrapy”即可获取本文的完整源码和详细程序注释

公众号专注：互联网求职面经、java、python、爬虫、大数据等技术、海量资料分享：公众号后台回复“csdn文库下载”即可免费领取【csdn】和【百度文库】下载服务；公众号后台回复“资料”:即可领取5T精品学习资料、java面试考点和java面经总结，以及几十个java、大数据项目，资料很全，你想找的几乎都有