您好,登錄后才能下訂單哦!
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!
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。
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
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。
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
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。
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
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!
免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。