如何使用Scrapy网络爬虫框架

这篇文章将为大家详细讲解有关如何使用scrapy网络爬虫框架，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

scrapy 介绍

标准介绍

• Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能(高性能异步下载，队列，分布式，解析，持久化等)的具有很强通用性的项目模板。对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。

说人话就是

• 只要是搞爬虫的,用这个就van事了,因为里面集成了一些很棒的工具,并且爬取性能很高,预留有很多钩子方便扩展,实在是居家爬虫的不二之选。

windows下安装scrapy

命令

pip install scrapy

默认情况下,直接pip install  scrapy可能会失败,如果没有换源,加上临时源安装试试,这里使用的是清华源，常见安装问题可以参考这个文章：windows下安装Scrapy方法及常见安装问题总结——Scrapy安装教程。

命令

pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple

scrapy创建爬虫项目

命令

scrapy startproject <项目名称>

示例:创建一个糗事百科的爬虫项目(记得cd到一个干净的目录哈)

scrapy startproject qiushibaike

注:此时,我们已经创建好了一个爬虫项目,但是爬虫项目是一个文件夹

进入爬虫项目

如果想要进入这个项目,就要cd进这个目录,如上上图所示,先cd <项目>,再创建蜘蛛

项目目录结构解析

此时,我们就已经进入了项目,结构如下,有一个和项目名同名的文件夹和一个scrapy.cfg文件

scrapy.cfg # scrapy配置,特殊情况使用此配置 qiushibaike # 项目名同名的文件夹     items.py # 数据存储模板,定制要保存的字段     middlewares.py # 爬虫中间件     pipelines.py # 编写数据持久化代码     settings.py # 配置文件,例如:控制爬取速度,多大并发量,等     __init__.py     spiders # 爬虫目录,一个个爬虫文件,编写数据解析代码         __init__.py

呃,可能此时你并不能懂这么些目录什么意思,不过不要慌,使用一下可能就懂了,别慌。

创建蜘蛛

通过上述的操作,假设你已经成功的安装好了scrapy,并且进入了创建的项目

那么,我们就创建一个蜘蛛,对糗事百科的段子进行爬取。

创建蜘蛛命令

scrapy genspider <蜘蛛名称> <网页的起始url>

示例:创建糗事百科的段子蜘蛛

scrapy genspider duanzi ww.com

注:网页的起始url可以随便写,可以随便改,但是必须有

此时在spider文件夹下,会多一个duanzi.py文件

代码解释如下

爬取数据前准备

创建好蜘蛛之后,需要在配置一些东西的,不能直接就爬的,默认是爬取不了的,需要简单配置一下

打开settings.py文件,找到ROBOTSTXT_OBEY和USER_AGENT变量

ROBOTSTXT_OBEY配置

等于False不遵守robot协议,默认只有搜索引擎网站才会允许爬取,例如百度,必应等,个人爬取需要忽略这个,否则爬取不了

USER_AGENT配置

User-Agent是一个最基本的请求必须带的参数,如果这个带的不是正常的,必定爬取不了。

User-Agent

Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWEBKit/537.36 (Khtml, like Gecko) Chrome/78.0.3904.108 Safari/537.36

小试牛刀之获取糗事百科段子段子链接

准备工作做好了，那就开始吧!!!

此处我们需要有xpath的语法基础,其实挺简单的,没有基础的记得百度一下,其实不百度也没关系,跟着学,大概能看懂

实现功能

通过xpath获取每个段子下的a标签连接

注:审查元素和按住crtl+f搜索内容和写xpath这里不再啰嗦

分析页面规则

通过审查工具,我们可以看到,class包含article的标签就是一个个的文章,可能你想到xpath可能可以这样写

xpath代码

//div[@class='article']

但是你会发现一个都查不出来,因为是包含的关系,所以需要用contains关键字

我们需要这样写

xpath代码

//div[contains(@class,"article")]

但是会发现,这定位的太多了,并不是每个段子的div,所以我们要多包含几个,这样,就是每个段子的div了

//div[contains(@class,"article") and contains(@class,"block")]

上述已经成功定位了一个个的段子,下面在此基础上,定位到每个段子下的a标签

根据审查元素,发现每个段子下class="contentHerf"的a标签,就是每个段子的详情页

详情页,要定位的a标签的href确实是详情页的url

xpath代码

//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]

这样,我们就定位了一个个a标签,只至少在控制台操作是没问题的,那么,我们使用python代码操作一下吧

代码

def parse(self, response):     a_href_list = response.xpath('//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]/@href'     ).extract()     print(a_href_list)

启动蜘蛛命令

scrapy crawl <爬虫名> [--nolog]

注:--nolog参数不加表示一系列日志,一般用于调试,加此参数表示只输入print内容

示例:启动段子命令

scrapy crawl duanzi --nolog

成功拿到每一个链接。

获取详情页内容

在上述,我们成功的获取到了每个段子的链接,但是会发现有的段子是不全的,需要进入进入详情页才能看到所以段子内容，那我们就使用爬虫来操作一下吧。

我们定义一下标题和内容。

 

根据元素审查，标题的定位xpath是：

//h2[@class="article-title"]

内容的xpath是：

//div[@class="content"]

确定标题和内容的xpath定位之后,我们在Python代码中实现一下。

注：但是先解决一个问题,详情页属于第二次调用了,所以我们也需要进行调用第二次,再编写代码

代码

# 详情页 def detail(self, response):     title = response.xpath('//h2[@class="article-title"]/text()').extract()     content = response.xpath('//div[@class="content"]//text()').extract()     print("标题:" )     print(title)     print("内容")     print(content)  def parse(self, response):     a_href_list = response.xpath(         '//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]/@href'     ).extract()     print(a_href_list)     base_url = "Https://www.qiushibaike.com"     for a_href in a_href_list:         url = f"{base_url}{a_href}"         yield scrapy.Request(url=url, callback=self.detail)

结果

但是会发现啊，似乎每个都是列表形式，这似乎不太行呐，我们稍微修改一下代码，这样我们拿到的就是正常的文本了，如下图所示：

上述命令总结

创建爬虫项目

scrapy startproject <项目名称>

创建蜘蛛

scrapy genspider <蜘蛛名称> <网页的起始url>

启动爬虫,--nolog参数不加表示一系列日志,一般用于调试,加此参数表示只输入print内容

scrapy crawl <爬虫名> [--nolog]

关于“如何使用Scrapy网络爬虫框架”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。