Python基础之scrapy框架简介和基础应用

　　学习Python的小伙伴应该都听说过scrapy框架，今天老男孩教育为大家讲解一下scrapy框架的基础应用，希望对你们有所帮助。

　　一.什么是Scrapy?

　　Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能(高性能异步下载，队列，分布式，解析，持久化等)的具有很强通用性的项目模板。对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。

　　二.安装

　　Linux：

　　pip3 install scrapy

　　Windows：

　　a. pip3 install wheel

　　b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

　　c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

　　d. pip3 install pywin32

　　e. pip3 install scrapy

　　三.基础使用

　　1.创建项目：scrapy startproject 项目名称

　　项目结构：

　　project_name/

　　scrapy.cfg：

　　project_name/

　　__init__.py

　　items.py

　　pipelines.py

　　settings.py

　　spiders/

　　__init__.py

　　scrapy.cfg 项目的主配置信息。(真正爬虫相关的配置信息在settings.py文件中)

　　items.py 设置数据存储模板，用于结构化数据，如：Django的Model

　　pipelines 数据持久化处理

　　settings.py 配置文件，如：递归的层数、并发数，延迟下载等

　　spiders 爬虫目录，如：创建文件，编写爬虫解析规则

　　2.创建爬虫应用程序：

　　cd project_name(进入项目目录)

　　scrapy genspider 应用名称 爬取网页的起始url (例如：scrapy genspider qiubai www.qiushibaike.com)

　　3.编写爬虫文件:在步骤2执行完毕后，会在项目的spiders中生成一个应用名的py爬虫文件，文件源码如下：

　　# -*- coding: utf-8 -*-

　　import scrapy

　　class QiubaiSpider(scrapy.Spider):

　　name = 'qiubai' #应用名称

　　#允许爬取的域名(如果遇到非该域名的url则爬取不到数据)

　　allowed_domains = ['https://www.qiushibaike.com/']

　　#起始爬取的url

　　start_urls = ['https://www.qiushibaike.com/']

　　#访问起始URL并获取结果后的回调函数，该函数的response参数就是向起始的url发送请求后，获取的响应对象.该函数返回值必须为可迭代对象或者NUll

　　def parse(self, response):

　　print(response.text) #获取字符串类型的响应内容

　　print(response.body)#获取字节类型的相应内容

　　4.设置修改settings.py配置文件相关配置:

　　修改内容及其结果如下：

　　19行：USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' #伪装请求载体身份

　　22行：ROBOTSTXT_OBEY = False #可以忽略或者不遵守robots协议

　　5.执行爬虫程序：scrapy crawl 应用名称

　　四.小试牛刀：将糗百首页中段子的内容和标题进行爬取

　　# -*- coding: utf-8 -*-

　　import scrapy

　　class QiubaiSpider(scrapy.Spider):

　　name = 'qiubai'

　　allowed_domains = ['https://www.qiushibaike.com/']

　　start_urls = ['https://www.qiushibaike.com/']

　　def parse(self, response):

　　#xpath为response中的方法，可以将xpath表达式直接作用于该函数中

　　odiv = response.xpath('//div[@id="content-left"]/div')

　　content_list = [] #用于存储解析到的数据

　　for div in odiv:

　　#xpath函数返回的为列表，列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中，需要调用extract()函数将解析的内容从Selecor中取出。

　　author = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].extract()

　　content=div.xpath('.//div[@class="content"]/span/text()')[0].extract()

　　#将解析到的内容封装到字典中

　　dic={

　　'作者':author,

　　'内容':content

　　}

　　#将数据存储到content_list这个列表中

　　content_list.append(dic)

　　return content_list

　　执行爬虫程序：

　　scrapy crawl 爬虫名称 ：该种执行形式会显示执行的日志信息

　　scrapy crawl 爬虫名称 --nolog：该种执行形式不会显示执行的日志信息

　　转载于：https://www.cnblogs.com/bobo-zhang/p/9661385.html