Python 爬虫-Scrapy框架基本使用

2017-08-01  22:39:50

一、Scrapy爬虫的基本命令

Scrapy是为持续运行设计的专业爬虫框架，提供操作的Scrapy命令行。

• Scrapy命令行格式

• Scrapy常用命令

• 采用命令行的原因

命令行（不是图形界面）更容易自动化，适合脚本控制本质上，Scrapy是给程序员用的，功能（而不是界面）更重要。

二、Scrapy爬虫的一个基本例子

演示HTML页面地址：http://python123.io/ws/demo.html

步骤一：建立一个Scrapy爬虫

选取一个文件夹，例如E:\python,然后执行如下命令。

此时在python文件夹下就会生成一个名为Python123demo的工程，该工程的文件结构为：

步骤二：在工程中产生一个Scrapy爬虫

使用cd进入E:\python\python123demo文件夹，然后执行如下命令。

该命令作用：
(1)生成一个名称为demo的spider
(2)在spiders目录下增加代码文件demo.py

该命令仅用于生成demo.py，该文件也可以手工生成

步骤三：配置产生的spider爬虫

demo文件是使用genspider命令产生的一个spider。

• 继承于scrapy.Spider
• name='demo'说明爬虫的名字是demo
• allowed_domains指爬取网站时只能爬取该域名下的网站链接
• star_urls是指爬取的一个或多个起始的爬取url
• parse()用于处理响应并发现新的url爬取请求

配置：（1）初始URL地址 （2）获取页面后的解析方式

步骤四：运行爬虫，获取网页

执行如下代码：

demo爬虫被执行，捕获页面存储在demo.html

还有一种等价的表达方式：

三、Scrapy爬虫的基本使用

这四个步骤会涉及到三个类：Request类、Response类、Item类；

• Request类

class scrapy.http.Request()：Request对象表示一个HTTP请求，由Spider生成，由Downloader执行。

• Response类

class scrapy.http.Response()：Response对象表示一个HTTP响应；由Downloader生成，由Spider处理。

• 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处理；Item类似字典类型，可以按照字典类型操作。