Python Scrapy爬虫框架实战（python编程）

Python Scrapy爬虫框架实战（python编程）

首先看一个简单的示例，比如把 C语言中文网首页的“title”抓取下来，如下所示：

....

创建项目

在 CMD 命令行执行以下命令创建项目以及爬虫文件：

# 创建项目1) scrapy startproject Title# 进入项目2) cd Title# 创建爬虫文件3）scrapy genspider title c.biancheng.net

编写代码

打开爬虫文件 title.py ，编写如下代码，其中一些代码  Scrapy 框架已经自动生成：

1) 编写爬虫文件

import scrapyclass TitleSpider(scrapy.Spider): name = 'title' #要抓取数据的网站域名 allowed_domains = ['c.biancheng.net'] #第一个抓取的url，初始url,被当做队列来处理 start_urls = [' def parse(self,response): #.extract()：提取文本内容,将列表中所有元素序列化为Unicode字符串 #.extract_first()：提取列表中第1个文本内容 # 以下是我们自己编写的代码，而自动生成的代码不用改动 result = response.xpath('/html/head/title/text()').extract_first() print('-' * 60 ) print(result) print('-' * 60)

2) 修改配置文件

下面修改 settings 文件的配置项，如下所示：

USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1'ROBOTSTXT_OBEY = FalseDEFAULT_REQUEST_HEADERS = { 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'en',}

3) 使用Pycharm IDE运行项目

为了省去终端敲命令的环节，您可以在项目中自定义一个运行文件 mian.py（注意：该文件与 scrapy.cfg 同目录），并编写如下代码：

fromscrapyimportcmdline# 注意，cmdline.execute()是为了减少输入命令的操作，该方法的参数必须为列表。# 执行爬虫文件来启动项目cmdline.execute('scrapy crawl title'.split())

编写完成后，执行 main.py 文件，您会看到很多的输出内容，内容大致如下：

# scrapy 框架运行时输出的日志，包含很多信息，比如版本信息，执行过程等等2021-04-09 16:35:15 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: Title)2021-04-09 16:35:15 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.5, cssselect 1.1.0, parsel 1.6.0, w3lib 1.22.0, Twisted ...2021-04-09 16:35:16 [scrapy.middleware] INFO: Enabled downloader middlewares:...2021-04-09 16:35:16 [scrapy.core.engine] DEBUG: Crawled (200)

上述过程中，我们只在 title.py 中使用 Xpath 做了解析数据的操作，就拿到了我们想要的数据。由此可见 URL 入队出队， 发起 request 请求，返回  response 响应等操作都是由 Scrapy 框架自动完成的。

在 Scrapy 框架中，每个模块之间既紧密联系，但又相互独立，这样的设计减少了代码之间耦合度，是代码简洁易懂。

猫眼电影案例

最后，我们使用 Scrapy 框架完成一个完整的案例：抓取猫眼电影 Top100 榜。

1) 创建项目

scrapy startproject Maoyan100#进入项目目录cd Maoyan100# 创建爬虫文件,注意url 一定要是网站域名scrapy genspider maoyan maoyan.com

2) 定义数据结构

首先在 items.py 中定义要抓取的数据结构，如下所示：

name=scrapy.Field()star=scrapy.Field()time=scrapy.Field()

3) 编写爬虫文件

接下来编写爬虫文件 maoyan.py 代码如下所示：

import scrapyfrom Maoyan100.items import Maoyan100Itemclass Maoyan100Spider(scrapy.Spider): # name 指定爬虫文件名字 name = 'maoyan' allowed_domains = ['maoyan.com'] # 网站域名 start_urls = [' # 第一个要抓取的url offset = 0 #查询字符串参数 # response 为 start_urls中影响对象 def parse(self,response): # 基准xpath，匹配电影信息的dd节点对象列表 dd_list = response.xpath('//dl[@class="board-wrapper"]/dd') # 给items.py 中的类：Maoyan100Item（）实例化 item = Maoyan100Item() for dd in dd_list: item['name'] = dd.xpath('./a/@title').get().strip() # 1.6以后版本使用 原来用 extract_first() item['star'] = dd.xpath('.//p[@class="star"]/text()').get().strip() item['time'] = dd.xpath('.//p[@class="releasetime"]/text()').get().strip() yield item if self.offset < 90: # 判断条件 self.offset += 10 url = '+ str(self.offset) # 把url交给secheduer入队列 # response会自动传给 callback 回调的 parse()函数 #Scrapy.request()向url发起请求，并将响应结果交给回调的解析函数 yield scrapy.Request(url=url, callback=self.parse)

4) 实现数据存储

通过编写管道文件 pipelinse.py 文件实现数据的存储，将抓取的数据存放在 MySQL 数据库，这里需要提前建库、建表，因为前面章节已经创建过，此处不再赘述。代码编写如下：

import pymysqlfrom Maoyan100.settings import *class Maoyan100Pipeline(object): def process_item(self, item, spider): print(item['name'], item['star'], item['time']) return item # 多个管道有体现# 存入mysql数据库的管道class Maoyan100MysqlPipeline(object): #开始 def open_spider(self, spider): # 爬虫项目启动，执行连接数据操作 # 以下常量需要定义在settings配置文件中 self.db = pymysql.connect( host=MYSQL_HOST, user=MYSQL_USER, password=MYSQL_PWD, database=MYSQL_DB, charset=MYSQL_CHARSET ) self.cursor = self.db.cursor() # 向表中插入数据 def process_item(self, item, spider): ins = 'insert into movieinfo values(%s,%s,%s)' L = [ item['name'], item['star'], item['time'] ] self.cursor.execute(ins, L) self.db.commit() return item # 结束存放数据，在项目最后一步执行 def close_spider(self, spider): # close_spider()函数只在所有数据抓取完毕后执行一次， self.cursor.close() self.db.close() print('执行了close_spider方法,项目已经关闭')

5) 定义启动文件

下面定义项目启动文件 run.py， 代码如下：

fromscrapyimportcmdline#执行爬虫文件 -o 指定输出文件的格式cmdline.execute('scrapy crawl maoyan -o maoyan.csv'.split())#执行项目，并且将数据存csv文件格式

注意：指定 -o 参数，可以将数据以特定的文件格式保存，比如 csv、txt、josn 等。

6) 修改配置文件

最后修改配置文件，主要有修改以下内容：添加日志输出、激活管道 pipelines、定义数据库常量，以及其他一些常用选项，如下所示：

#设置 robots.txt 为FalseROBOTSTXT_OBEY = False#设置日志级别： DEBUG < INFO < WARNING < ERROR < CRITICAL#日志需要自己添加，配置文件中没有，在空白处添加即可LOG_LEVEL='DEBUG'#定义日志输出文件LOG_FILE='maoyan.log'#设置导出数据的编码格式FEED_EXPORT_ENCODING='utf-8'#设置下载器延迟时间，秒为单位DOWNLOAD_DELAY = 1#请求头，添加useragent等信息DEFAULT_REQUEST_HEADERS = { 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'en', 'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1'}#激活管道，并添加数据存放mysql的类，200为执行优先级ITEM_PIPELINES = { 'Maoyan100.pipelines.Maoyan100Pipeline': 300, # 执行数据存储mysql 'Maoyan100.pipelines.Maoyan100MysqlPipeline': 200}#在配置文件末尾添加mysql常用变量MYSQL_HOST='localhost'MYSQL_USER='root'MYSQL_PWD='123456'MYSQL_DB='maoyandb'MYSQL_CHARSET='utf8'

最后执行 run.py 文件，日志文件 maoyan.log 内容大致如下:

2021-04-09 19:38:11 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: Maoyan100)2021-04-09 19:38:11 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.5, cssselect 1.1.0...2021-04-09 19:38:13 [scrapy.core.scraper] DEBUG: Scraped from <200 '我不是药神', 'star': '主演：徐峥,周一围,王传君', 'time': '上映时间：2018-07-05'}2021-04-09 19:38:13 [scrapy.core.scraper] DEBUG: Scraped from <200 '肖申克的救赎','star': '主演：蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿',...

maoyan.csv 文件大致如下：

name,star,time我不是药神,"主演：徐峥,周一围,王传君",上映时间：2018-07-05肖申克的救赎,"主演：蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿",上映时间：1994-09-10(加拿大)绿皮书,"主演：维果·莫腾森,马赫沙拉·阿里,琳达·卡德里尼",上映时间：2019-03-01海上钢琴师,"主演：蒂姆·罗斯,比尔·努恩,克兰伦斯·威廉姆斯三世",上映时间：2019-11-15小偷家族,"主演：中川雅也,安藤樱,松冈茉优",上映时间：2018-08-03哪吒之魔童降世,"主演：吕艳婷,囧森瑟夫,瀚墨",上映时间：2019-07-26霸王别姬,"主演：张国荣,张丰毅,巩俐",上映时间：1993-07-26...黑天鹅,"主演：娜塔莉·波特曼,文森特·卡索,米拉·库妮丝",上映时间：2010-09-01(意大利)

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。