一、scrapy基本使用

一、scrapy基本使用

1.1 环境安装：

• linux和mac操作系统：
  • pip install scrapy
• windows系统：
  • pip install wheel
  • 下载twisted，下载地址为http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
  • 安装twisted：pip install Twisted‑17.1.0‑cp36‑cp36m‑win_amd64.whl
  • pip install pywin32
  • pip install scrapy
    测试：在终端里录入scrapy指令，没有报错即表示安装成功！

1.2 scrapy使用流程：

• 创建工程：

  • scrapy startproject ProName

• 进入工程目录：

  • cd ProName

• 创建爬虫文件：

  • scrapy genspider spiderName www.xxx.com

• 编写相关操作代码

• 执行工程：

  • scrapy crawl spiderName

• 爬虫文件剖析：

  import scrapy
  class QiushiSpider(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，一般注释）
        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
  

• 配置文件settings.py修改：

  # Crawl responsibly by identifying yourself (and your website) on the user-agent
  # 16行 定义请求头
  USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36'
  # 19行
  # Obey robots.txt rules
  # 不遵守robots协议
  ROBOTSTXT_OBEY = False 
  

• scrapy基于xpath数据解析操作：

  import scrapy
  
  class QiushiSpider(scrapy.Spider):
      #
      name = 'qiuShi'
      start_urls = ['https://www.qiushibaike.com/text']
  
      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
          div_list = response.xpath('//*[@id="content"]/div/div[2]/div')
          print(type(div_list))
          for div in div_list:
            #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。
              name = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
              content = div.xpath('./a//span/text()').extract()
               #打印展示爬取到的数据
              print(name,content)