Python爬蟲中的scrapy爬蟲實例

本篇內(nèi)容介紹了“Python爬蟲中的scrapy爬蟲實例”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠?qū)W有所成！

項目需求

在專門供爬蟲初學者訓練爬蟲技術(shù)的網(wǎng)站（http://quotes.toscrape.com)上爬取名言警句。

創(chuàng)建項目

在開始爬取之前，必須創(chuàng)建一個新的Scrapy項目。進入您打算存儲代碼的目錄中，運行下列命令:

(base) λ scrapy startproject quotes
New scrapy project 'quotes '， using template directory 'd: \anaconda3\lib\site-packages\scrapy\temp1ates\project ', created in:
    D:\XXX
You can start your first spider with :
    cd quotes
    scrapy genspider example example. com

首先切換到新建的爬蟲項目目錄下，也就是/quotes目錄下。然后執(zhí)行創(chuàng)建爬蟲文件的命令:

D:\XXX(master)
(base) λ cd quotes\
  
D:\XXX\quotes (master)
(base) λ scrapy genspider quotes quotes.com
cannot create a spider with the same name as your project
 
D :\XXX\quotes (master)
(base) λ scrapy genspider quote quotes.com
created spider 'quote' using template 'basic' in module:quotes.spiders.quote

該命令將會創(chuàng)建包含下列內(nèi)容的quotes目錄:

robots.txt

robots協(xié)議也叫robots.txt(統(tǒng)一小寫）是一種存放于網(wǎng)站根目錄下的ASCII編碼的文本文件，它通常告訴網(wǎng)絡搜索引擎的網(wǎng)絡蜘蛛，此網(wǎng)站中的哪些內(nèi)容是不應被搜索引擎的爬蟲獲取的，哪些是可以被爬蟲獲取的。

robots協(xié)議并不是一個規(guī)范，而只是約定俗成的。

#filename : settings.py
#obey robots.txt rules
ROBOTSTXT__OBEY = False

分析頁面

編寫爬蟲程序之前，首先需要對待爬取的頁面進行分析，主流的瀏覽器中都帶有分析頁面的工具或插件，這里我們選用Chrome瀏覽器的開發(fā)者工具(Tools→Developer tools）分析頁面。

數(shù)據(jù)信息

在Chrome瀏覽器中打開頁面http://lquotes.toscrape.com，然后選擇"Elements"，查看其HTML代碼。

可以看到每一個標簽都包裹在

編寫spider

分析完頁面后，接下來編寫爬蟲。在Scrapy中編寫一個爬蟲， 在scrapy.Spider中編寫代碼Spider是用戶編寫用于從單個網(wǎng)站(或者-些網(wǎng)站)爬取數(shù)據(jù)的類。

其包含了-個用于下載的初始URL,如何跟進網(wǎng)頁中的鏈接以及如何分析頁面中的內(nèi)容，提取生成item的方法。

為了創(chuàng)建一個Spider, 您必須繼承scrapy.Spider類，且定義以下三個屬性:

• name:用于區(qū)別Spider。該名字必須是唯一-的, 您不可以為不同的Spider設定相同的名字。

• start _urls:包含了Spider在啟動時進行爬取的ur列表。因此， 第一個被獲取到的頁面將是其中之一。后續(xù)的URL則從初始的URL獲取到的數(shù)據(jù)中提取。

• parse():是spider的一一個方法。被調(diào)用時，每個初始URL完成下載后生成的Response對象將會作為唯一的參數(shù)傳遞給該函數(shù)。該方法負責解析返回的數(shù)據(jù)(response data),提取數(shù)據(jù)(生成item)以及生成需要進一步處理的URL 的Request對象。

import scrapy
 
class QuoteSpi der(scrapy . Spider):
    name ='quote'
    allowed_ domains = [' quotes. com ']
    start_ urls = ['http://quotes . toscrape . com/']
    
    def parse(self， response) :
        pass

下面對quote的實現(xiàn)做簡單說明。

• scrapy.spider :爬蟲基類，每個其他的spider必須繼承自該類(包括Scrapy自帶的其他spider以及您自己編寫的spider)。

• name是爬蟲的名字，是在genspider的時候指定的。

• allowed_domains是爬蟲能抓取的域名，爬蟲只能在這個域名下抓取網(wǎng)頁，可以不寫。

• start_ur1s是Scrapy抓取的網(wǎng)站，是可迭代類型，當然如果有多個網(wǎng)頁，列表中寫入多個網(wǎng)址即可，常用列表推導式的形式。

• parse稱為回調(diào)函數(shù)，該方法中的response就是start_urls 網(wǎng)址發(fā)出請求后得到的響應。當然也可以指定其他函數(shù)來接收響應。一個頁面解析函數(shù)通常需要完成以下兩個任務:
  

1.提取頁面中的數(shù)據(jù)(re、XPath、CSS選擇器)
2.提取頁面中的鏈接，并產(chǎn)生對鏈接頁面的下載請求。
頁面解析函數(shù)通常被實現(xiàn)成一個生成器函數(shù)，每一項從頁面中提取的數(shù)據(jù)以及每一個對鏈接頁面的下載請求都由yield語句提交給Scrapy引擎。

解析數(shù)據(jù)

import scrapy
 
def parse(se1f，response) :
    quotes = response.css('.quote ')
    for quote in quotes:
        text = quote.css( '.text: :text ' ).extract_first()
        auth = quote.css( '.author : :text ' ).extract_first()
        tages = quote.css('.tags a: :text' ).extract()
        yield dict(text=text，auth=auth，tages=tages)

重點：

• response.css(直接使用css語法即可提取響應中的數(shù)據(jù)。

• start_ur1s 中可以寫多個網(wǎng)址，以列表格式分割開即可。

• extract()是提取css對象中的數(shù)據(jù)，提取出來以后是列表，否則是個對象。并且對于

• extract_first()是提取第一個

運行爬蟲

在/quotes目錄下運行scrapycrawlquotes即可運行爬蟲項目。
運行爬蟲之后發(fā)生了什么?

Scrapy為Spider的start_urls屬性中的每個URL創(chuàng)建了scrapy.Request對象，并將parse方法作為回調(diào)函數(shù)(callback)賦值給了Request。

Request對象經(jīng)過調(diào)度，執(zhí)行生成scrapy.http.Response對象并送回給spider parse()方法進行處理。

完成代碼后，運行爬蟲爬取數(shù)據(jù)，在shell中執(zhí)行scrapy crawl <SPIDER_NAME>命令運行爬蟲'quote',并將爬取的數(shù)據(jù)存儲到csv文件中:

(base) λ scrapy craw1 quote -o quotes.csv
2021-06-19 20:48:44 [scrapy.utils.log] INF0: Scrapy 1.8.0 started (bot: quotes)

等待爬蟲運行結(jié)束后，就會在當前目錄下生成一個quotes.csv的文件，里面的數(shù)據(jù)已csv格式存放。

-o支持保存為多種格式。保存方式也非常簡單，只要給上文件的后綴名就可以了。(csv、json、pickle等)

“Python爬蟲中的scrapy爬蟲實例”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！