腾讯云海外购

【趣学程序】python之scrapy爬虫

初识python_scrapy爬虫

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。可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中.

当前教程默认读者已安装python环境

安装scrapy

pip install Scrapy

创建爬虫项目

通过命令方式进行创建爬虫项目

scrapy startproject studyscrapypro

项目结构

spiders:项目中的模块,通常在该模块下编写python代码,爬虫的逻辑代码等。items.py:项目中用到的实体类,需要开发者自己定义。pipelines.py:处理爬虫爬到的数据,数据处理器。settings.py:项目的配置文件,在该文件中可以对项目进行基本的设置。scrapy.cfg:项目的顶级配置文件,基本上无需默认修改。

Scrapy的开发步骤

  1. 创建项目
  2. 编写item实体类
  3. 创建爬虫类(Spider) 编写爬虫的逻辑
  4. 编写爬虫结果数据处理类(Pipeline)
  5. 启动项目

当前案例以爬取博客数据为例

目标网址: https://www.cnblogs.com/

需求:获取首页的博客数据。

定义博客item类

import scrapy class StudyscrapyproItem(scrapy.Item):  #当前类继承scrapy.Item  # define the fields for your item here like:  # name = scrapy.Field()     title = scrapy.Field()     author = scrapy.Field()     comm = scrapy.Field()     scan = scrapy.Field()     desc = scrapy.Field()     date = scrapy.Field()

使用通用模板创建Spider爬虫类

scrapy genspider cn_blogs_splider "www.cnblogs.com"

我们会在spiders文件夹中看到我们新创建的类 cnblogssplider

编写爬虫逻辑

自定义的Spider继承scrapy.Spider类,name属性必须有且唯一不重复。alloweddomains定义了被爬取的网站域名 实现了其parse方法。response参数就是scrapy请求网络返回的数据。通过编写parse方法实现提取数据的过程,这里使用到了xpath语法。也可以使用正则表达式进行匹配。推荐使用Xpath语法。XPATH语法学习推荐:https://www.w3school.com.cn/xpath/xpathsyntax.asp

import scrapy from studyscrapypro.items import StudyscrapyproItem class CnBlogsSpliderSpider(scrapy.Spider):     name = \\'cn_blogs_splider\\'     allowed_domains = [\\'www.cnblogs.com\\']     start_urls = [\\'http://www.cnblogs.com/\\']  def parse(self, response):         post_list = response.xpath("//div[@class=\\'post_item\\']")  for post in post_list:             title = post.xpath(".//a[@class=\\'titlelnk\\']/text()").extract_first()             author = post.xpath(".//a[@class=\\'lightblue\\']/text()").extract_first()             comm_scan = post.xpath(".//a[@class=\\'gray\\']/text()").getall()             comm = int(str(comm_scan[0]).strip()[3:-1])             scan = int(str(comm_scan[1]).strip()[3:-1])             date_str = post.xpath(".//div[@class=\\'post_item_foot\\']/text()").getall()             date_str = str(date_str[1]).strip()[4:]  # date = time.strptime(date_str, "%Y-%m-%d %H:%M")             all_desc = post.xpath(".//p[@class=\\'post_item_summary\\']/text()").getall()  if len(all_desc) < 2:  continue             desc = str(all_desc[1]).strip()             item = StudyscrapyproItem()             item["title"] = title             item["author"] = author             item["comm"] = comm             item["scan"] = scan             item["desc"] = desc             item["date"] = date_str  yield item

编写最终处理数据的类(Pipeline)

这里示例转为json存文件,存数据库方式 安装MySQL模块

pip install mysql

数据库表

CREATE TABLE `item` (  `id` int(10) NOT NULL AUTO_INCREMENT,  `title` char(100) DEFAULT NULL,  `desc` char(100) DEFAULT NULL,  `date` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,  `author` char(20) DEFAULT NULL,  `comm` int(10) DEFAULT NULL,  `scan` int(10) DEFAULT NULL,  PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=588 DEFAULT CHARSET=utf8mb4

Pipeline.py

import MySQLdb import json class StudyscrapyproPipeline(object):  # 初始化方法  def __init__(self):  self.connect = MySQLdb.connect(host=\\'localhost\\', port=3306, user=\\'root\\', passwd=\\'root\\', db=\\'cn_blog\\',                                        charset=\\'utf8\\')  self.connect.autocommit(on=False)  self.cursor = self.connect.cursor()  pass  # self.file = open("result.json", \\'w+\\')  # self.file.write(\\'[\\')  def write_item(self, item):         json_str = json.dumps(dict(item))  self.file.write(json_str + ",\n")  print(json_str)  pass  def insert_mysql(self, item):  # self.cursor.execute("""  # INSERT INTO `cn_blog`.`item` (`title`,`desc`,`author`, `comm`,`scan`)VALUES(%s,%s,%s,%s,%s);  # """, (item[\\'title\\'], \\'desc\\', \\'author\\', 1, 1))  self.cursor.execute("""             INSERT INTO `cn_blog`.`item` (`title`,`desc`,`author`, `comm`,`scan`,`date`)VALUES(%s,%s,%s,%s,%s,%s);             """, (item[\\'title\\'], item[\\'desc\\'][0:100], item[\\'author\\'], item[\\'comm\\'], item[\\'scan\\'], item[\\'date\\']))  # 解析的方法  def process_item(self, item, spider):  # self.write_item(item)  self.insert_mysql(item)  return item  # 关闭的方法 善后  def close_spider(self, spider):  # self.file.write("]")  # self.file.close()  self.connect.commit()  self.cursor.close()  self.connect.close()

修改配置文件settings.py

# 关闭遵循目标网站提供的防爬虫文件 ROBOTSTXT_OBEY = False # 添加User-Agent DEFAULT_REQUEST_HEADERS = {  \\'Accept\\': \\'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8\\',  \\'User-Agent\\':\\'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36\\',  # \\'Accept-Language\\': \\'en\\', } #开启Pipelines处理数据 ITEM_PIPELINES = {  \\'studyscrapypro.pipelines.StudyscrapyproPipeline\\': 300, }

项目源码

https://github.com/upuptop/studyscrapypro

官方文档:

https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/overview.html