scrapy linux,网络爬虫框架 Scrapy 入门教程
导读
Scrapy 是一个用 Python 开发的爬虫框架，用于抓取 Web 页面并提取其中的结构化数据。
安装
首先，确定你的电脑上已经安装了 Python 3 以及对应的 pip。可以使用下面的命令查看：
$ python3 --version
Python 3.6.3
$ pip3 --version
pip 9.0.1 from /usr/local/lib/python3.6/site-packages (python 3.6)
如果没有安装的话，推荐使 Homebrew 这个工具来进行安装。
pip 是 Python 的一个包管理工具，类似于 npm，可以在线安装、卸载所有的第三方 Python 模块，并自动处理依赖关系。这里我们使用下面的命令来安装 Scrapy 模块：
$ pip3 install scrapy
教程：一个抓取豆瓣电影 Top 250 的爬虫
首先，我们使用下面的命令来创建并初始化 Scrapy 项目：
$ scrapy startproject doubanmovie
这样便会在当前目录下创建一个 doubanmovie 的爬虫项目，其内部结构如下：
$ tree
.
├── doubanmovie
│ ├── __init__.py
│ ├── __pycache__
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ ├── __init__.py
│ └── __pycache__
└── scrapy.cfg
其中：
scrapy.cfg 为 Scrapy 项目的核心配置文件
items.py 用于定义爬虫程序爬取到的数据实体的属性结构
piplines.py 用于定义爬虫程序每次爬取到的数据实体进行后续处理的操作流程，比如写入文件系统或数据库
settings.py 为爬虫程序的配置文件，可以在这里定义多个 pipline 和 middleware
spiders 文件夹中存放爬虫文件
接着，我们需要在 items.py 文件中定义电影实体的属性结构：
class DoubanmovieItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
rank = scrapy.Field() # 豆瓣排名
title = scrapy.Field() # 电影名称
poster = scrapy.Field() # 电影海报
link = scrapy.Field() # 链接地址
rating = scrapy.Field() # 豆瓣评分
pass
然后，我们使用下面的命令来创建一个名为 doubanspider 的爬虫程序：
$ scrapy genspider moviespider douban.com
运行之后会在 spiders 目录下生成一个名为 moviespider.py 的爬虫文件，内部定义了爬虫的名称、作用域及起始 URL 等基本信息，以及一个解析函数，该函数的主要功能便是通过 XPath 分析页面中的 HTML 元素，并将解析结果输出：
class MoviespiderSpider(scrapy.Spider):
name = 'moviespider'
allowed_domains = ['douban.com']
start_urls = ['https://movie.douban.com/top250']
def parse(self, response):
movie_items = response.xpath('//div[@class="item"]')
for item in movie_items:
movie = DoubanmovieItem()
movie['rank'] = item.xpath('div[@class="pic"]/em/text()').extract()
movie['title'] = item.xpath('div[@class="info"]/div[@class="hd"]/a/span[@class="title"][1]/text()').extract()
movie['poster'] = item.xpath('div[@class="pic"]/a/img/@src').extract()
movie['link'] = item.xpath('div[@class="info"]/div[@class="hd"]/a/@href').extract()
movie['rating'] = item.xpath('div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()').extract()
yield movie
pass
通过爬虫解析后的实体数据，会通过一种 Pipeline 的过程将结果进行打印输出、存入文件或数据库等：
class DoubanmoviePipeline(object):
def process_item(self, item, spider):
print('豆瓣排名：' + item['rank'][0])
print('电影名称：' + item['title'][0])
print('链接地址：' + item['link'][0])
print('豆瓣评分：' + item['rating'][0] + '\n')
return item
由于豆瓣电影的网站设置了防爬虫技术，所以在完成上述步骤后运行爬虫会出现 403 的 HTTP 状态码。于是我们需要在发送的请求中加入 User Agent 信息来伪装成一个浏览器：
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware
class FakeUserAgentMiddleware(UserAgentMiddleware):
def process_request(self, request, spider):
request.headers.setdefault('User-Agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36')
最后，我们将上述修改写入配置文件：
# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None,
'doubanmovie.fakeuseragent.FakeUserAgentMiddleware': 543,
}
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'doubanmovie.pipelines.DoubanmoviePipeline': 300,
}
运行 scrapy crawl moviespider 命令，便会在控制台中输出爬取到的数据。
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！