scrapy爬虫框架入门实例（一）

流程分析

抓取内容（百度贴吧：网络爬虫吧） 
页面： http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8  
数据：1.帖子标题；2.帖子作者；3.帖子回复数
通过观察页面html代码来帮助我们获得所需的数据内容。

【注】scrapy的安装请参考 ： http://blog.csdn.net/zjiang1994/article/details/52689144   

一、工程建立

在控制台模式下进入你要建立工程的文件夹执行如下命令创建工程：

scrapy startproject hellospider     

 

这里的scrapytest是工程名，框架会自动在当前目录下创建一个同名的文件夹，工程文件就在里边。

（如果你用过django就会发现这一幕何其相似）。

 

我的创建过程：

  

 

 

我们先看一下目录结构：

  

scrapy.cfg: 项目的配置文件

hellospider/: 该项目的python模块。之后您将在此加入代码。

hellospider/items.py:需要提取的数据结构定义文件。

hellospider/middlewares.py: 是和Scrapy的请求/响应处理相关联的框架。

hellospider/pipelines.py: 用来对items里面提取的数据做进一步处理，如保存等。

hellospider/settings.py: 项目的配置文件。

hellospider/spiders/: 放置spider代码的目录。

 

二、实现过程

1、在items.py中定义自己要抓取的数据：

import scrapy

class DetailItem(scrapy.Item):
    # 抓取内容：1.帖子标题；2.帖子作者；3.帖子回复数
    title = scrapy.Field()
    author = scrapy.Field()
    reply = scrapy.Field()

【注】上面类中的title、author、reply就像是字典中的“键”，爬到的数据就像似字典中的“值”。

2、然后在spiders目录下编辑myspider.py那个文件：

import scrapy
from hellospider.items import DetailItem
import sys

class MySpider(scrapy.Spider):
    """
    name:scrapy唯一定位实例的属性，必须唯一
    allowed_domains：允许爬取的域名列表，不设置表示允许爬取所有
    start_urls：起始爬取列表
    start_requests：它就是从start_urls中读取链接，然后使用make_requests_from_url生成Request，
                    这就意味我们可以在start_requests方法中根据我们自己的需求往start_urls中写入
                    我们自定义的规律的链接
    parse：回调函数，处理response并返回处理后的数据和需要跟进的url
    log：打印日志信息
    closed：关闭spider
    """
    # 设置name
    name = "spidertieba"
    # 设定域名
    allowed_domains = ["baidu.com"]
    # 填写爬取地址
    start_urls = [
        "http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8",
    ]

    # 编写爬取方法
    def parse(self, response):
        for line in response.xpath('//li[@class=" j_thread_list clearfix"]'):
            # 初始化item对象保存爬取的信息
            item = DetailItem()
            # 这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定
            item['title'] = line.xpath('.//div[contains(@class,"threadlist_title pull_left j_th_tit ")]/a/text()').extract()
            item['author'] = line.xpath('.//div[contains(@class,"threadlist_author pull_right")]//span[contains(@class,"frs-author-name-wrap")]/a/text()').extract()
            item['reply'] = line.xpath('.//div[contains(@class,"col2_left j_threadlist_li_left")]/span/text()').extract()
            yield item

【注】xpath语法可参考：http://www.w3school.com.cn/xpath/xpath_syntax.asp

【注】：我们可以通过命令进入scrapy shell：

           scrapy shell http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8

 

来方便的查看我们xpath代码所获得的结果，以便调试。

 

3、执行命令 scrapy crawl [类中name值]

 由于第二步中我们在类MySpider下定义了 name ="spidertieba" ，所以执行命令：scrapy crawl spidertieba -o items.json。 -o  指定文件。

这样我们就会看到此目录下生成了items.json文件

 items.json文件的内容就是要爬取的内容。

简单查看一下：

#!/usr/bin/env python
# Version = 3.5.2
# __auth__ = '无名小妖'
import json

with open('hellospider/items.json') as f:
    rownum = 0
    new_list = json.load(f)
    for i in new_list:
        rownum += 1
        print("""line{}:  title:{},  author:{},  reply:{}.""".format(rownum,
                                                      i['title'][0],
                                                      i['author'][0],
                                                      i['reply'][0]))

部分结果截图：

至此，scrapy的最简单的应用就完成了。

 

后续还会有更复杂的爬虫示例，敬请关注！

来自为知笔记(Wiz)