2019-02-08 Python学习之Scrapy的简单了解

今天遇到的问题和昨天差不多，一个Scrapy装了好久，anaconda卸了又装，pycharm卸了又装，环境变量配置一堆，依赖包下载一堆。查了一堆资料总算是搞好了。

Scripy：
先放个框架结构图（来自嵩天老师mooc）

Scrapy 爬虫的使用步骤

1. 创建一个工程和spider模板
2. 编写spider
3. 编写Item Pipeline
4. 优化配置策略

两种风格的demospider写法：

class DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['python123.io']
    start_urls = ['http://python123.io/ws/demo.html']	#启动时最开始的链接

    def parse(self, response):			#解析和操作的相关步骤
    	fname = response.url.split('/')[-1]		#文件名叫demo.html(切片，得到最后一个)
    	with open(fname,'wb+') as f:
    		f.write(response.body)
    	self.log = ('saved file %s.'% fname)

class DemoSpider(scrapy.Spider):
	name = "demo"

	def start_requests(self):
		urls = [
				'http://python123.io/ws/demo.html'
				]
		for url in urls:
			yield scrapy.Request(url=url,callback=self.parse)


	def parse(self,response):
		fname = response.url.split('/')[-1]
		with open(fname,'wb') as f:
			f.write(response.body)
		self.log('Save file %s.' % fname)

几种类：
Request类
class scrapy.http.Request()

• Request对象生成一个HTTP请求
• 由Spider生成，由Downloader执行

属性和方法

.url 对应请求的url地址
.method 请求方法
.headers 字典类型风格的请求头
.body 请求内容主题
.meta 用户添加的扩展信息
.copy() 复制该响应

Response类
class scrapy.http.Request()

• Response对象表示一个http响应
• 由downloader生成，spider来处理

属性和方法

.urls Response对应的url地址
.status HTTP状态码
.headers Response对应的头部信息
.body Response对应的内容信息
.flags 一组标记
.request 产生Response类型对应的Request对象
.copy() 复制该响应

Item类
class scrapy.item.Item()

• Item对象表示一个从HTML页面中提取的信息内容
• 由Spider生成，由Item Pipeline进行处理
• Item类似字典类型，可以按照字典类型进行相关操作

Scrapy爬虫提取信息的方法
BeautifulSoup
lxml
re
CSS selector
XPath selector