流程分析
抓取内容（百度贴吧：网络爬虫吧）
页面： http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
数据：1.帖子标题；2.帖子作者；3.帖子回复数
通过观察页面html代码来帮助我们获得所需的数据内容。
【注】scrapy的安装请参考 ： http://blog.****.net/zjiang1994/article/details/52689144
一、工程建立
在控制台模式下进入你要建立工程的文件夹执行如下命令创建工程：
scrapy startproject hellospider
这里的scrapytest是工程名，框架会自动在当前目录下创建一个同名的文件夹，工程文件就在里边。
（如果你用过django就会发现这一幕何其相似）。
我的创建过程：
我们先看一下目录结构：
scrapy.cfg: 项目的配置文件
hellospider/: 该项目的python模块。之后您将在此加入代码。
hellospider/items.py:需要提取的数据结构定义文件。
hellospider/middlewares.py: 是和Scrapy的请求/响应处理相关联的框架。
hellospider/pipelines.py: 用来对items里面提取的数据做进一步处理，如保存等。
hellospider/settings.py: 项目的配置文件。
hellospider/spiders/: 放置spider代码的目录。
二、实现过程
1、在items.py中定义自己要抓取的数据：
|
1
2
3
4
5
6
7
8
|
import scrapy
class DetailItem(scrapy.Item):
# 抓取内容：1.帖子标题；2.帖子作者；3.帖子回复数
title = scrapy.Field()
author = scrapy.Field()
reply = scrapy.Field()
|
【注】上面类中的title、author、reply就像是字典中的“键”，爬到的数据就像似字典中的“值”。
2、然后在spiders目录下编辑myspider.py那个文件：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
import scrapy
from hellospider.items import DetailItem
import sys
class MySpider(scrapy.Spider):
"""
name:scrapy唯一定位实例的属性，必须唯一
allowed_domains：允许爬取的域名列表，不设置表示允许爬取所有
start_urls：起始爬取列表
start_requests：它就是从start_urls中读取链接，然后使用make_requests_from_url生成Request，
这就意味我们可以在start_requests方法中根据我们自己的需求往start_urls中写入
我们自定义的规律的链接
parse：回调函数，处理response并返回处理后的数据和需要跟进的url
log：打印日志信息
closed：关闭spider
"""
# 设置name
name = "spidertieba"
# 设定域名
allowed_domains = ["baidu.com"]
# 填写爬取地址
start_urls = [
"http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8",
]
# 编写爬取方法
def parse(self, response):
for line in response.xpath('//li[@class=" j_thread_list clearfix"]'):
# 初始化item对象保存爬取的信息
item = DetailItem()
# 这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定
item['title'] = line.xpath('.//div[contains(@class,"threadlist_title pull_left j_th_tit ")]/a/text()').extract()
item['author'] = line.xpath('.//div[contains(@class,"threadlist_author pull_right")]//span[contains(@class,"frs-author-name-wrap")]/a/text()').extract()
item['reply'] = line.xpath('.//div[contains(@class,"col2_left j_threadlist_li_left")]/span/text()').extract()
yield item
|
【注】：我们可以通过命令进入scrapy shell：
scrapy shell http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
来方便的查看我们xpath代码所获得的结果，以便调试。
转存失败重新上传取消
3、执行命令 scrapy crawl [类中name值]
由于第二步中我们在类MySpider下定义了 name ="spidertieba" ，所以执行命令：scrapy crawl spidertieba -o items.json。 -o 指定文件。
这样我们就会看到此目录下生成了items.json文件
items.json文件的内容就是要爬取的内容。
简单查看一下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#!/usr/bin/env python
# Version = 3.5.2
# __auth__ = '无名小妖'
import json
with open('hellospider/items.json') as f:
rownum = 0
new_list = json.load(f)
for i in new_list:
rownum += 1
print("""line{}: title:{}, author:{}, reply:{}.""".format(rownum,
i['title'][0],
i['author'][0],
i['reply'][0]))
|
部分结果截图：
至此，scrapy的最简单的应用就完成了。
