在正式編寫爬蟲案例前，先對 scrapy 進行一下系統(tǒng)的學(xué)習(xí)。
scrapy 安裝與簡單運行
使用命令 pip install scrapy 進行安裝，成功之后，還需要隨手收藏幾個網(wǎng)址，以便于后續(xù)學(xué)習(xí)使用。
scrapy 官網(wǎng)：https://scrapy.org
scrapy 文檔：https://doc.scrapy.org/en/latest/intro/tutorial.html
scrapy 更新日志：https://docs.scrapy.org/en/latest/news.html
安裝完畢之后，在控制臺直接輸入 scrapy，出現(xiàn)如下命令表示安裝成功。
> scrapy Scrapy 2.5.0 - no active project Usage: scrapy <command> [options] [args] Available commands:
上述截圖是 scrapy 的內(nèi)置命令列表，標(biāo)準(zhǔn)的格式的 scrapy <command> <options> <args>，通過 scrapy <command> -h 可以查看指定命令的幫助手冊。
scrapy 中提供兩種類型的命令，一種是全局的，一種的項目中的，后者需要進入到 scrapy 目錄才可運行。
這些命令無需一開始就完全記住，隨時可查，有幾個比較常用，例如：
scrpy startproject <項目名>
該命令先依據(jù) 項目名 創(chuàng)建一個文件夾，然后再文件夾下創(chuàng)建于個 scrpy 項目，這一步是后續(xù)所有代碼的起點。
> scrapy startproject my_scrapy > New Scrapy project 'my_scrapy', using template directory 'e:\pythonproject\venv\lib\site-packages\scrapy\templates\project', created in: # 一個新的 scrapy 項目被創(chuàng)建了，使用的模板是 XXX，創(chuàng)建的位置是 XXX E:\pythonProject\滾雪球?qū)WPython第4輪\my_scrapy You can start your first spider with: # 開啟你的第一個爬蟲程序 cd my_scrapy # 進入文件夾 scrapy genspider example example.com # 使用項目命令創(chuàng)建爬蟲文件
上述內(nèi)容增加了一些注釋，可以比對著進行學(xué)習(xí)，默認(rèn)生成的文件在 python 運行時目錄，如果想修改項目目錄，請使用如下格式命令：
scrapy startproject myproject [project_dir]
例如
scrapy startproject myproject d:/d1
命令依據(jù)模板創(chuàng)建出來的項目結(jié)構(gòu)如下所示，其中紅色下劃線的是項目目錄，而綠色下劃線才是 scrapy 項目，如果想要運行項目命令，則必須先進入紅色下劃線 my_scrapy 文件夾，在項目目錄中才能控制項目。
下面生成一個爬蟲文件
使用命令 scrapy genspider [-t template] <name> <domain> 生成爬蟲文件，該方式是一種快捷操作，也可以完全手動創(chuàng)建。創(chuàng)建的爬蟲文件會出現(xiàn)在 當(dāng)前目錄或者項目文件夾中的 spiders 文件夾中，name 是爬蟲名字，domain 用在爬蟲文件中的 alowed_domains 和 start_urls 數(shù)據(jù)中，[-t template] 表示可以選擇生成文件模板。
查看所有模板使用如下命令，默認(rèn)模板是 basic。
> scrapy genspider -l basic crawl csvfeed xmlfeed
創(chuàng)建第一個 scrapy 爬蟲文件，測試命令如下：
>scrapy genspider pm imspm.com Created spider 'pm' using template 'basic' in module: my_project.spiders.pm
此時在 spiders 文件夾中，出現(xiàn) pm.py 文件，該文件內(nèi)容如下所示：
import scrapy
class PmSpider(scrapy.Spider):
name = 'pm'
allowed_domains = ['imspm.com']
start_urls = ['http://imspm.com/']
def parse(self, response):
pass
測試 scrapy 爬蟲運行
使用命令 scrapy crawl <spider>，spider 是上文生成的爬蟲文件名，出現(xiàn)如下內(nèi)容，表示爬蟲正確加載。
>scrapy crawl pm 2021-10-02 21:34:34 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: my_project) [...]
scrapy 基本應(yīng)用
scrapy 工作流程非常簡單：
采集第一頁網(wǎng)頁源碼；解析第一頁源碼，并獲取下一頁鏈接；請求下一頁網(wǎng)頁源碼；解析源碼，并獲取下一頁源碼；[…]過程當(dāng)中，提取到目標(biāo)數(shù)據(jù)之后，就進行保存。
接下來為大家演示 scrapy 一個完整的案例應(yīng)用，作為 爬蟲 120 例 scrapy 部分的第一例。
> scrapy startproject my_project 爬蟲 > cd 爬蟲 > scrapy genspider pm imspm.com
獲得項目結(jié)構(gòu)如下：
上圖中一些文件的簡單說明。
scrapy.cfg：配置文件路徑與部署配置；
items.py：目標(biāo)數(shù)據(jù)的結(jié)構(gòu)；
middlewares.py：中間件文件；
pipelines.py：管道文件；
settings.py：配置信息。
使用 scrapy crawl pm 運行爬蟲之后，所有輸出內(nèi)容與說明如下所示：
上述代碼請求次數(shù)為 7 次，原因是在 pm.py 文件中默認(rèn)沒有添加 www，如果增加該內(nèi)容之后，請求次數(shù)變?yōu)?4。
現(xiàn)在的 pm.py 文件代碼如下所示：
import scrapy
class PmSpider(scrapy.Spider):
name = 'pm'
allowed_domains = ['www.imspm.com']
start_urls = ['http://www.imspm.com/']
def parse(self, response):
print(response.text)
其中的 parse 表示請求 start_urls 中的地址，獲取響應(yīng)之后的回調(diào)函數(shù)，直接通過參數(shù) response 的 .text 屬性進行網(wǎng)頁源碼的輸出。
獲取到源碼之后，要對源碼進行解析與存儲
在存儲之前，需要手動定義一個數(shù)據(jù)結(jié)構(gòu)，該內(nèi)容在 items.py 文件實現(xiàn)，對代碼中的類名進行了修改，MyProjectItem → ArticleItem。
import scrapy class ArticleItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() # 文章標(biāo)題 url = scrapy.Field() # 文章地址 author = scrapy.Field() # 作者
修改 pm.py 文件中的 parse 函數(shù)，增加網(wǎng)頁解析相關(guān)操作，該操作類似 pyquery 知識點，直接觀察代碼即可掌握。
def parse(self, response):
# print(response.text)
list_item = response.css('.list-item-default')
# print(list_item)
for item in list_item:
# 直接獲取文本
url = item.css('.a_block::attr(href)').extract_first() # 獲取屬性值
author = item.css('.author::text').extract_first() # 直接獲取文本
print(title, url, author)
其中 response.css 方法返回的是一個選擇器列表，可以迭代該列表，然后對其中的對象調(diào)用 css 方法。
item.css('.title::text')，獲取標(biāo)簽內(nèi)文本；
item.css('.a_block::attr(href)')，獲取標(biāo)簽屬性值；
extract_first()：解析列表第一項；extract()：獲取列表。
在 pm.py 中導(dǎo)入 items.py 中的 ArticleItem 類，然后按照下述代碼進行修改：
def parse(self, response):
# print(response.text)
list_item = response.css('.list-item-default')
# print(list_item)
for i in list_item:
item = ArticleItem()
# 直接獲取文本
url = i.css('.a_block::attr(href)').extract_first() # 獲取屬性值
author = i.css('.author::text').extract_first() # 直接獲取文本
# print(title, url, author)
# 對 item 進行賦值
item['title'] = title
item['url'] = url
item['author'] = author
yield item
此時在運行 scrapy 爬蟲，就會出現(xiàn)如下提示信息。
此時完成了一個單頁爬蟲
接下來對 parse 函數(shù)再次改造，使其在解析完第 1 頁之后，可以解析第 2 頁數(shù)據(jù)。
def parse(self, response):
# print(response.text)
list_item = response.css('.list-item-default')
# print(list_item)
for i in list_item:
item = ArticleItem()
# 直接獲取文本
url = i.css('.a_block::attr(href)').extract_first() # 獲取屬性值
author = i.css('.author::text').extract_first() # 直接獲取文本
# print(title, url, author)
# 對 item 進行賦值
item['title'] = title
item['url'] = url
item['author'] = author
yield item
next = response.css('.nav a:nth-last-child(2)::attr(href)').extract_first() # 獲取下一頁鏈接
# print(next)
# 再次生成一個請求
yield scrapy.Request(url=next, callback=self.parse)
上述代碼中，變量 next 表示下一頁地址，通過 response.css 函數(shù)獲取鏈接，其中的 css 選擇器請重點學(xué)習(xí)。
yield scrapy.Request(url=next, callback=self.parse) 表示再次創(chuàng)建一個請求，并且該請求的回調(diào)函數(shù)是 parse 本身，代碼運行效果如下所示。
如果想要保存運行結(jié)果，運行下面的命令即可。
scrapy crawl pm -o pm.json
如果想要將每條數(shù)據(jù)存儲為單獨一行，使用如下命令即可 scrapy crawl pm -o pm.jl 。
生成的文件還支持 csv 、 xml、marchal、pickle ，可自行嘗試。
下面將數(shù)據(jù)管道利用起來
打開 pipelines.py 文件，修改類名 MyProjectPipeline → TitlePipeline，然后編入如下代碼：
class TitlePipeline:
def process_item(self, item, spider): # 移除標(biāo)題中的空格
if item["title"]:
item["title"] = item["title"].strip()
return item
else:
return DropItem("異常數(shù)據(jù)")
該代碼用于移除標(biāo)題中的左右空格。
編寫完畢，需要在 settings.py 文件中開啟 ITEM_PIPELINES 配置。
ITEM_PIPELINES = {
'my_project.pipelines.TitlePipeline': 300,
}
300 是 PIPELINES 運行的優(yōu)先級順序，根據(jù)需要修改即可。再次運行爬蟲代碼，會發(fā)現(xiàn)標(biāo)題的左右空格已經(jīng)被移除。
到此 scrapy 的一個基本爬蟲已經(jīng)編寫完畢。
以上就是python爬蟲框架Scrapy基本應(yīng)用學(xué)習(xí)教程的詳細(xì)內(nèi)容，更多關(guān)于python爬蟲框架Scrapy的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://blog.csdn.net/hihell/article/details/120899494
