在正式編寫爬蟲案例前，先對 scrapy 進行一下系統的學習。

scrapy 安裝與簡單運行

使用命令 pip install scrapy 進行安裝，成功之后，還需要隨手收藏幾個網址，以便于后續學習使用。

scrapy 官網：https://scrapy.org

scrapy 文檔：https://doc.scrapy.org/en/latest/intro/tutorial.html

scrapy 更新日志：https://docs.scrapy.org/en/latest/news.html

安裝完畢之后，在控制臺直接輸入 scrapy，出現如下命令表示安裝成功。

> scrapy
Scrapy 2.5.0 - no active project

Usage:
scrapy <command> [options] [args]

Available commands:

上述截圖是 scrapy 的內置命令列表，標準的格式的 scrapy <command> <options> <args>，通過 scrapy <command> -h 可以查看指定命令的幫助手冊。

scrapy 中提供兩種類型的命令，一種是全局的，一種的項目中的，后者需要進入到 scrapy 目錄才可運行。

這些命令無需一開始就完全記住，隨時可查，有幾個比較常用，例如：

scrpy startproject <項目名>

該命令先依據 項目名 創建一個文件夾，然后再文件夾下創建于個 scrpy 項目，這一步是后續所有代碼的起點。

> scrapy startproject my_scrapy
> New Scrapy project 'my_scrapy', using template directory 'e:\pythonproject\venv\lib\site-packages\scrapy\templates\project', created in:  # 一個新的 scrapy 項目被創建了，使用的模板是 XXX，創建的位置是 XXX
  E:\pythonProject\滾雪球學Python第4輪\my_scrapy
You can start your first spider with:  # 開啟你的第一個爬蟲程序
  cd my_scrapy   # 進入文件夾
  scrapy genspider example example.com # 使用項目命令創建爬蟲文件

上述內容增加了一些注釋，可以比對著進行學習，默認生成的文件在 python 運行時目錄，如果想修改項目目錄，請使用如下格式命令：

scrapy startproject myproject [project_dir]

例如

scrapy startproject myproject d:/d1

命令依據模板創建出來的項目結構如下所示，其中紅色下劃線的是項目目錄，而綠色下劃線才是 scrapy 項目，如果想要運行項目命令，則必須先進入紅色下劃線 my_scrapy 文件夾，在項目目錄中才能控制項目。

下面生成一個爬蟲文件

使用命令 scrapy genspider [-t template] <name> <domain> 生成爬蟲文件，該方式是一種快捷操作，也可以完全手動創建。創建的爬蟲文件會出現在 當前目錄或者項目文件夾中的 spiders 文件夾中，name 是爬蟲名字，domain 用在爬蟲文件中的 alowed_domains 和 start_urls 數據中，[-t template] 表示可以選擇生成文件模板。

查看所有模板使用如下命令，默認模板是 basic。

> scrapy genspider -l
basic
crawl
csvfeed
xmlfeed

創建第一個 scrapy 爬蟲文件，測試命令如下：

>scrapy genspider pm imspm.com
Created spider 'pm' using template 'basic' in module:
my_project.spiders.pm

此時在 spiders 文件夾中，出現 pm.py 文件，該文件內容如下所示：

import scrapy
class PmSpider(scrapy.Spider):
  name = 'pm'
  allowed_domains = ['imspm.com']
  start_urls = ['http://imspm.com/']

  def parse(self, response):
      pass

測試 scrapy 爬蟲運行

使用命令 scrapy crawl <spider>，spider 是上文生成的爬蟲文件名，出現如下內容，表示爬蟲正確加載。

>scrapy crawl pm
2021-10-02 21:34:34 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: my_project)
[...]

scrapy 基本應用

scrapy 工作流程非常簡單：

采集第一頁網頁源碼；解析第一頁源碼，并獲取下一頁鏈接；請求下一頁網頁源碼；解析源碼，并獲取下一頁源碼；[…]過程當中，提取到目標數據之后，就進行保存。

接下來為大家演示 scrapy 一個完整的案例應用，作為 爬蟲 120 例 scrapy 部分的第一例。

> scrapy startproject my_project 爬蟲
> cd 爬蟲
> scrapy genspider pm imspm.com

獲得項目結構如下：

上圖中一些文件的簡單說明。

scrapy.cfg：配置文件路徑與部署配置；

items.py：目標數據的結構；

middlewares.py：中間件文件；

pipelines.py：管道文件；

settings.py：配置信息。

使用 scrapy crawl pm 運行爬蟲之后，所有輸出內容與說明如下所示：

上述代碼請求次數為 7 次，原因是在 pm.py 文件中默認沒有添加 www，如果增加該內容之后，請求次數變為 4。

現在的 pm.py 文件代碼如下所示：

import scrapy
class PmSpider(scrapy.Spider):
  name = 'pm'
  allowed_domains = ['www.imspm.com']
  start_urls = ['http://www.imspm.com/']

  def parse(self, response):
      print(response.text)

其中的 parse 表示請求 start_urls 中的地址，獲取響應之后的回調函數，直接通過參數 response 的 .text 屬性進行網頁源碼的輸出。

獲取到源碼之后，要對源碼進行解析與存儲

在存儲之前，需要手動定義一個數據結構，該內容在 items.py 文件實現，對代碼中的類名進行了修改，MyProjectItem → ArticleItem。

import scrapy

class ArticleItem(scrapy.Item):
  # define the fields for your item here like:
  # name = scrapy.Field()
 # 文章標題
  url = scrapy.Field()  # 文章地址
  author = scrapy.Field()  # 作者

修改 pm.py 文件中的 parse 函數，增加網頁解析相關操作，該操作類似 pyquery 知識點，直接觀察代碼即可掌握。

  def parse(self, response):
      # print(response.text)
      list_item = response.css('.list-item-default')
      # print(list_item)
      for item in list_item:
 # 直接獲取文本
          url = item.css('.a_block::attr(href)').extract_first() # 獲取屬性值
          author = item.css('.author::text').extract_first()  # 直接獲取文本
          print(title, url, author)

其中 response.css 方法返回的是一個選擇器列表，可以迭代該列表，然后對其中的對象調用 css 方法。

item.css('.title::text')，獲取標簽內文本；

item.css('.a_block::attr(href)')，獲取標簽屬性值；

extract_first()：解析列表第一項；extract()：獲取列表。

在 pm.py 中導入 items.py 中的 ArticleItem 類，然后按照下述代碼進行修改：

  def parse(self, response):
      # print(response.text)
      list_item = response.css('.list-item-default')
      # print(list_item)
      for i in list_item:
          item = ArticleItem()
 # 直接獲取文本
          url = i.css('.a_block::attr(href)').extract_first()  # 獲取屬性值
          author = i.css('.author::text').extract_first()  # 直接獲取文本
          # print(title, url, author)
          # 對 item 進行賦值
          item['title'] = title
          item['url'] = url
          item['author'] = author
          yield item

此時在運行 scrapy 爬蟲，就會出現如下提示信息。

此時完成了一個單頁爬蟲

接下來對 parse 函數再次改造，使其在解析完第 1 頁之后，可以解析第 2 頁數據。

  def parse(self, response):
      # print(response.text)
      list_item = response.css('.list-item-default')
      # print(list_item)
      for i in list_item:
          item = ArticleItem()
 # 直接獲取文本
          url = i.css('.a_block::attr(href)').extract_first()  # 獲取屬性值
          author = i.css('.author::text').extract_first()  # 直接獲取文本
          # print(title, url, author)
          # 對 item 進行賦值
          item['title'] = title
          item['url'] = url
          item['author'] = author
          yield item
      next = response.css('.nav a:nth-last-child(2)::attr(href)').extract_first()  # 獲取下一頁鏈接
      # print(next)
      # 再次生成一個請求
      yield scrapy.Request(url=next, callback=self.parse)

上述代碼中，變量 next 表示下一頁地址，通過 response.css 函數獲取鏈接，其中的 css 選擇器請重點學習。

yield scrapy.Request(url=next, callback=self.parse) 表示再次創建一個請求，并且該請求的回調函數是 parse 本身，代碼運行效果如下所示。

如果想要保存運行結果，運行下面的命令即可。

scrapy crawl pm -o pm.json

如果想要將每條數據存儲為單獨一行，使用如下命令即可 scrapy crawl pm -o pm.jl 。

生成的文件還支持 csv 、 xml、marchal、pickle ，可自行嘗試。

下面將數據管道利用起來
打開 pipelines.py 文件，修改類名 MyProjectPipeline → TitlePipeline，然后編入如下代碼：

class TitlePipeline:
  def process_item(self, item, spider):  # 移除標題中的空格
      if item["title"]:
          item["title"] = item["title"].strip()
          return item
      else:
          return DropItem("異常數據")

該代碼用于移除標題中的左右空格。

編寫完畢，需要在 settings.py 文件中開啟 ITEM_PIPELINES 配置。

ITEM_PIPELINES = {
 'my_project.pipelines.TitlePipeline': 300,
}

300 是 PIPELINES 運行的優先級順序，根據需要修改即可。再次運行爬蟲代碼，會發現標題的左右空格已經被移除。

到此 scrapy 的一個基本爬蟲已經編寫完畢。

以上就是python爬蟲框架Scrapy基本應用學習教程的詳細內容，更多關于python爬蟲框架Scrapy的資料請關注服務器之家其它相關文章！

原文鏈接：https://blog.csdn.net/hihell/article/details/120899494