scrapy爬取网页数据
1.引言
使用python的scrapy模块爬取豆瓣读书top250的图书信息,以json的形式保存并存储到mysql。项目所爬取的网站:https://book.douban.com/top250
2.实现代码
- 创建scrapy项目打开命令行在切换到预存储目录中,运行 scrapy startproject douban
生成项目
2.定义item容器
找到items.py文件,这个主要使用来封装爬虫所要爬取的字段。
3.编写spider在项目的spiders目录下新建python文件,用来编写爬取数据的类
其中对数据的解析可通过浏览器的审查元素中找到对应字段的数据,如tiltle自段为tr[@class="item”]中的td[@valign=“top”]/div[@class=“pl2”]/a/@title。
4.存储pipelines有两种存储方式,第一种以json文件保存,第二种是将数据存储到mysql
5.编写settingssetting.py为配置文件,需要添加项目对应的配置
3.运行结果
打开命令行在所在文件目录下运行scrapy crawl doubanbook
Json文件
Mysql
4.总结
在编写本项目时,由于太过心急在未对scrapy模块有充分了解的情况下,就着手编写,导致踩了很多坑。在一番深度学习后,最终解决问题,完成项目。本项目虽然简单,但这次项目,也让我增加了对爬虫技术的些许了解。