(19)python scrapy框架

安装scrapy

pycharm 建个纯python工程

settings里

环境变量设置

C:\Python27;C:\Python27\Scripts;

下载win32api

https://sourceforge.net/projects/pywin32/files/pywin32/

找到对应版本安装

import win32api

导入不报错就按成功

创建一个工程

在想要创建工程的位置点击 shift + 右键

scrapy startproject  工程名

目录

scrapy.cfg：项目的配置文件

spiders文件夹：存储爬虫编写爬虫的目录

Items.py：数据容器，用来存储提取到的数据

settings.py：项目的设置文件

快速生成一个爬虫模板

scrapy genspider 爬虫名 爬虫网址

scrapy genspider huhu http://www.huhumh.com/

它会自动在spiders的文件夹下自动生成一个 huhu.py的文件

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

class HuhuSpider(scrapy.Spider):
    name = 'huhu'
    allowed_domains = ['http://www.huhumh.com/']
    start_urls = ['http://http://www.huhumh.com//']

    def parse(self, response):
        pass

这个huh.py用来写爬虫的核心代码

运行爬虫程序

在pycharm里的 Terminal输入：      scrapy crawl 爬虫名

 scrapy crawl huhu

scrapy命令行指令

显示scrapy版本

scrapy version
scrapy version -v   #更全

帮助

scrapy --help

运行一个独立于Python文件的蜘蛛，无需创建一个项目

scrapy runspider myspider.py 

查看有哪些当前工程下爬虫列表

scrapy list

在浏览器中打开给定的URL，并以Scrapy spider获取到的形式展现

scrapy view http://www.example.com/some/page.html

些时候spider获取到的页面和普通用户看到的并不相同。 因此该命令可以用来检查spider所获取到的页面，并确认这是您所期望的。

获取给定的URL并使用工程的parse方法分析处理

scrapy parse http://www.example.com/some/page.html

如果您提供 --callback 选项，则使用spider的该方法处理，否则使用 parse 。

支持的选项:

• --spider=SPIDER: 跳过自动检测spider并强制使用特定的spider
• --a NAME=VALUE: 设置spider的参数(可能被重复)
• --callback or -c: spider中用于解析返回(response)的回调函数
• --pipelines: 在pipeline中处理item
• --rules or -r: 使用 CrawlSpider 规则来发现用来解析返回(response)的回调函数
• --noitems: 不显示爬取到的item
• --nolinks: 不显示提取到的链接
• --nocolour: 避免使用pygments对输出着色
• --depth or -d: 指定跟进链接请求的层次数(默认: 1)
• --verbose or -v: 显示每个请求的详细信息

scrapy对象