Python Scrapy爬虫（下）

Python Scrapy爬虫（下）

一、在Pycharm中运行Scrapy爬虫项目的基本操作

1、Pycharm安装好Scrapy模块：scrapy的安装之前需要安装这个模块：方案一：lxml->zope.interface->pyopenssl->twisted->scrapy。方案二：wheel（安装.whl文件）、lxml（lxml是用来做xpath提取）、Twisted、pywin32。

2、通过pycharm创建scrapy项目：pycharm不能直接创建scrapy项目，必须通过命令行创建。在Pycharm的Terminal终端，cd命令指定文件，然后通过命令：scrapy startproject scrapyspider，创建名为scrapyspider的scrapy项目。

3、通过cmd创建scrapy项目：设置环境变量path，增加scrapy.exe的所在文件夹的路径。cd命令指定文件，然后通过命令：scrapy startproject scrapyspider，创建名为scrapyspider的scrapy项目。

二、scrapyspider目录

scrapyspider/
    scrapy.cfg
    scrapyspider/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

1、目录下各个文件：

• crapy.cfg: 项目的配置文件。
• scrapyspider/: 该项目的python模块。之后您将在此加入代码。
• scrapyspider/items.py: 项目中的item文件。
• scrapyspider/pipelines.py: 项目中的pipelines文件。
• scrapyspider/settings.py: 项目的设置文件。
• scrapyspider/spiders/: 放置spider代码的目录

 

三、编写scrapy框架中需要编写的spider、Item 、pipelline的代码

1、Item 部分代码：容器（items）的定义，容器不一定是一开始全部都定义好的，可以跟随项目的更新一点点向里面添加。

注：网页收集信息包含多种类型时，需要为每种类型的数据定义单独的 class

import scrapy


class TutorialItem(scrapy.Item):   # 创建一个类，继承scrapy.item类，就是继承人家写好的容器
    # define the fields for your item here like:
    # name = scrapy.Field()
    movieid = scrapy.Field()
    moviename = scrapy.Field()
    directors = scrapy.Field()
    actors = scrapy.Field()
    posterPath = scrapy.Field()
    plotSummary = scrapy.Field()
    averageratings = scrapy.Field()
    numRatings = scrapy.Field()

2、spider部分代码：用户编写用于从单个网站(或者一些网站)爬取数据的类。

1、创建一个Spider，您必须继承 scrapy.spiders.Spider 类

from scrapy.spiders import Spider

2、根据需求定义属性和方法：

2.1、name: 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字

2.2、start_urls: 包含了Spider在启动时进行爬取的url列表

2.3、def parse() 方法：方法被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response.data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象

2.4、可以根据需求定义其他方法：def start_requests、def make_requests_from_url、def update_settings、def handles_request、def close等。

2.5、读取配置文件setting.py的方法：

　　由原来的：from scrapy.conf import settings，改成“装饰器方法”：from scrapy.utils.project import get_project_settings；settings = get_project_settings()

设置name、start_urls和一些变量：

    name = "demo"
    movie_id = 1
    #handle_httpstatus_list = [401]
    allowed_domains = ["movielens.org"]
    start_urls = ["https://movielens.org/api/movies/"]

def parse() 方法：

    def parse(self, response):
        #filename = response.url.split("/")[-2]

        #filename = "movies"
        #with open(filename, 'ab') as f:
        # f.write(response.body)

        item = MovieItem()
        entity = json.loads(response.body)
        movie = entity['data']['movieDetails']['movie']
        item['movieid']= entity['data']['movieDetails']['movieId']
        item['moviename'] = movie['title']
        item['directors'] = ",".join(movie['directors'])
        item['actors'] = ",".join(movie['actors'])
        item['posterPath']  = movie['posterPath']
        item['plotSummary']  = movie['plotSummary']
        item['averageratings']  = movie['avgRating']
        item['numRatings']  = movie['numRatings']
        yield item

        while self.movie_id<140215:
            self.movie_id += 1
            url = self.start_urls[0]+str(self.movie_id)
            yield scrapy.Request(url, dont_filter=True, callback=self.parse)

 3、pipelline部分代码，持久化实体

import json
from tutorial.items import MovieItem


class TutorialPipeline(object):

    def __init__(self):
        self.conn = mysql.connector.connect(user='root', password='123456', database='how2java')
        self.cursor = self.conn.cursor()


    def process_item(self, item, spider):
        insert_sql = """
                            insert into movie(movieid, moviename, directors, actors, posterPath, plotSummary, averageratings, numRatings)
                            VALUES (%s, %s, %s, %s, %s, %s, %s, %s)
                        """
        self.cursor.execute(insert_sql, (
        item["movieid"], item["moviename"], item["directors"], item["actors"], item["posterPath"], item["plotSummary"], item["averageratings"],
        item["numRatings"]))
        self.conn.commit()

 

四、爬虫常用的命令

1、创建项目：scrapy startproject xxx
2、进入项目：cd xxx #进入某个文件夹下
3、创建爬虫：scrapy genspider xxx（爬虫名） xxx.com （爬取域）
4、输出item：scrapy crawl xxx -o xxx.json -t json (生成名称xxx.json的json 文件)；CSV、XML等！或者在解析函数里增加适当的代码将item对象写入文件或数据库.
5、运行爬虫：scrapy crawl XXX
6、列出所有爬虫：scrapy list
7、获得配置信息：scrapy settings [options]