scrapy入门案例

一. 新建项目(scrapy startproject)

• 在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：

scrapy startproject scrapyDemo

• 其中， mySpider 为项目名称，可以看到将会创建一个 scrapyDemo 文件夹，目录结构大致如下：

各个主要文件的作用：

scrapy.cfg ：项目的配置文件

scrapyDemo/ ：项目的Python模块，将会从这里引用代码

scrapyDemo/items.py ：项目的目标文件

scrapyDemo/pipelines.py ：项目的管道文件

scrapyDemo/settings.py ：项目的设置文件

scrapyDemo/spiders/ ：存储爬虫代码目录

抓取：https://www.cnblogs.com/loaderman/ 网站里的所有讲师的标题、描述、详情链接地址和日期。

1. 打开scrapyDemo目录下的items.py

2. Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。

3. 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。

4. 接下来，创建一个LoadermanItem 类，和构建item模型（model）。

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class LoadermanItem(scrapy.Item):
    title = scrapy.Field()
    detailUrl = scrapy.Field()
    content = scrapy.Field()
    date = scrapy.Field()

制作爬虫 （spiders/loadermanSpider.py）

爬虫功能要分两步：

1. 爬数据

• 在当前目录下输入命令，将在mySpider/spider目录下创建一个名为loaderman的爬虫，并指定爬取域的范围：

   scrapy genspider loadermanSpider "http://www.cnblogs.com"

• 打开 mySpider/spider目录里的 loadermanSpider.py，默认增加了下列代码:

# -*- coding: utf-8 -*-
import scrapy
class LoadermanSpider(scrapy.Spider):
    name = 'loaderman'
    allowed_domains = ['http://www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/loaderman']

    def parse(self, response):
        pass

其实也可以由我们自行创建loadermanSpider.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

• name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

• allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

• parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

  1. 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
  2. 生成需要下一页的URL请求。

将start_urls的值修改为需要爬取的第一个url

    start_urls = ['http://www.cnblogs.com/loaderman']

修改parse()方法

def parse(self, response):
    filename = "loaderman.html"
    open(filename, 'w').write(response.body)

然后运行一下看看，在项目目录下执行：
scrapy crawl loaderman

是的，就是 loaderman，看上面代码，它是 loadermanSpider 类的 name 属性，也就是使用 scrapy genspider命令的唯一爬虫名。

运行之后，如果打印的日志出现 [scrapy] INFO: Spider closed (finished)，代表执行完成。 之后当前文件夹中就出现了一个 loaderman.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。

# 注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码；
# 我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：

    import sys
    reload(sys)
    sys.setdefaultencoding("utf-8")

# 这三行代码是Python2.x里解决中文编码的万能钥匙，  现在Python3默认编码是Unicode。

2. 取数据

• 爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

直接上XPath开始提取数据

# -*- coding: utf-8 -*-
import scrapy

from scrapyDemo.items import LoadermanItem


class LoadermanSpider(scrapy.Spider):
    name = 'loaderman'
    allowed_domains = ['http://www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/loaderman']

    def parse(self, response):
        # filename = "loaderman.html"
        # open(filename, 'w').write(response.body)
        xpathList = response.xpath("//div[@class='post']")
        items= []
        for each in xpathList:
            # 将我们得到的数据封装到一个 `LoadermanItem` 对象

            item = LoadermanItem()

            # extract()方法返回的都是unicode字符串
            title = each.xpath(".//h2/a[@class='postTitle2']/text()").extract()
            detailUrl = each.xpath(".//a[@class='postTitle2']/@href").extract()
            content = each.xpath(".//div[@class='c_b_p_desc']/text()").extract()
            date = each.xpath(".//p[@class='postfoot']/text()").extract()
            # xpath返回的是包含一个元素的列表

            item['title'] = title[0]
            item['detailUrl'] = detailUrl[0]
            item['content'] = content[0]
            item['date'] = date[0]
            items.append(item)
            # #将获取的数据交给pipelines
            # yield items
            
        # 返回数据，不经过pipeline
        return items

保存数据

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：

# json格式，默认为Unicode编码
scrapy crawl loaderman -o teachers.json

# json lines格式，默认为Unicode编码
scrapy crawl loaderman -o teachers.jsonl

# csv 逗号表达式，可用Excel打开
scrapy crawl loaderman -o teachers.csv

# xml格式
scrapy crawl loaderman -o teachers.xml