Scrapy案例01-爬取传智播客主页上的老师信息

目录

• 1. 新建scrapy项目
• 2. 爬虫文件：
  • 2.1. 查看需要爬取内容存在哪里：
  • 2.2. 设置item需要保存的数据变量
  • 2.3. 创建爬虫文件
  • 2.4. 保存数据
  • 2.5. yield的用法
• 3. 在PyCharm中运行scrapy
  • 3.1. 方法一： 直接走PyCharm中的terminal中执行
  • 3.2. 方法二： 新建start.py并添加到configration中
• 4. 结果

1. 新建scrapy项目

scrapy startproject mySpider

得到了如下的文件

其内部文件结构如下：

2. 爬虫文件：

我们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。

2.1. 查看需要爬取内容存在哪里：

我们可以通过response.xpath提取相关内容

for each in reponse.xpath('//div[@class = "li_txt"]'):
  name = each.xpath('./h3/text()')
  title = each.xpath('./h4/text()')
  info = each.xpath('./p/text()')

2.2. 设置item需要保存的数据变量

import scrapy

class MyspiderItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

2.3. 创建爬虫文件

• 在mySpider下的spiders文件夹下创建一个新的爬虫文件命名为itcastspider.py

import scrapy
from mySpider.items import MyspiderItem

# 创建一个爬虫

class ItcaseSpider(scrapy.Spider):
    # 爬虫名
    name = "itcast"
    # 允许爬虫作用的范围
    allowed_domains = ['http://www.itcast.cn/']
    # 爬虫开始的url
    start_urls = ["http://www.itcast.cn/channel/teacher.shtml#ajavaee"]

    # setting -> name -> allowed_domains ->start_urls -> request
    # request -> scrapy engine -> scheduler -> downloader -> download from inetrnet（自动执行）
    # Downloader -> spider ->调用parse方法
    def parse(self, response):
        # with open("teacher.html", 'wb') as f:
        #     f.write(response.body)  # 读取响应文件内容

        # 所有老师列表集合
        teacherItem = []

        for each in response.xpath('//div[@class = "li_txt"]'):
            # 将我们得到的数据封装到一个 `MyspiderItem` 对象
            item = MyspiderItem()

            # 通过extract()转换为unicode字符串
            # 不加extract()就是xpath匹配的对象而已
            name = each.xpath('./h3/text()').extract()  # xpath返回的都是列表，元素根据匹配规则来(e.g. text())
            title = each.xpath('./h4/text()').extract()
            info = each.xpath('./p/text()').extract()

            item['name'] = name [0]
            item['title'] = title[0]
            item['info'] = info[0]

            teacherItem.append(item)
            # 直接返回数据，用于保存类型
        return teacherItem

2.4. 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 itcast -o teachers.json

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

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

# xml格式
scrapy crawl itcast -o teachers.xml

2.5. yield的用法

我们可以将上面的return方法换成yield为一个生成迭代器

1. yield每一次都传递给一个数据给管道文件

#xpath返回的是包含一个元素的列表
item['name'] = name[0]
item['title'] = title[0]
item['info'] = info[0]

#items.append(item)

#将获取的数据交给pipelines
yield item

1. yield传递的管道文件需要重写

import json

class ItcastPipeline(object):

    # __init__可选的，初始化文件
    def __init__(self):
        self.filename = open("yieldmethod.json", "wb")

    # 处理Item数据的，必须写的
    def process_item(self, item, spider):
        jsontext = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.filename.write(jsontext.encode("utf-8"))
        return item

    # 可选的，执行结束时的方法
    def close_spider(self,spider):
        self.filename.close()

3. 在PyCharm中运行scrapy

3.1. 方法一： 直接走PyCharm中的terminal中执行

3.2. 方法二： 新建start.py并添加到configration中

from scrapy import cmdline
cmdline.execute("scrapy crawl itcast".split())

4. 结果