Python爬虫学习（三）使用Scrapy库

（一）Scrapy库概述

　　1，安装：pip  install  scrapy失败；

　　　　　　运行D:\Python\Python36\python.exe -m pip install --upgrade pip命令升级pip命令失败；

　　　　　　修改Python36文件的权限：https://www.cnblogs.com/liaojiafa/p/5100550.html

　　　　　　安装：D:\Python\Python36\python.exe -m pip install wheel

　　　　　　安装：D:\Python\Python36\python.exe -m pip install scrapy

　　2，框架概述：

　　　　入口：SPIDERS；出口：ITEM  PIPELINES；用户编写SPIDERS（URL），ITEM  PIPELINES（对数据处理）

　　　　ENGINE：控制所有模块之间的数据流，根据条件触发事件，不允许用户修改，代码已实现

　　　　DOWNLOADER：根据请求下载网页，功能单一，不允许用户修改，代码已实现

　　　　SCHEDULER：对所有爬取请求进行调度管理，不允许用户修改，代码已实现

　　　　DOWNLOADER  MIDDLEWARE：用户可以修改配置；中间件

　　　　SPIDERS：解析DOWNLOADER返回的响应（Response）；产生爬取项（scraped  item）；产生额外的爬取请求（Request）；需要用户编写的最核心代码

　　　　ITEM  PIPELINES：以流水线方式处理Spider产生的爬取项；由一组操作顺序组成，每个操作是一个item  pipelines类型；操作可包括：清理，检验，查重爬虫项中HTML数据

将数据存入数据库；由用户编写功能

　　　　SPIDER  MIDDLEWARE：中间件

　　3，requests库和Scrapy库区别：

（二）Scrapy库的使用

　　1，Scrapy命令行：常用命令：创建过程，创建爬虫，运行爬虫为最常用命令

　　2，爬取某个HTML：

　　　　（1）建立过程： scrapy startproject python123demo

　　　　（2）建立爬虫demo：scrapy genspider demo python123.io；建立demo.py文件

#demo.py
# -*- coding: utf-8 -*-
import scrapy

class DemoSpider(scrapy.Spider):
    name = ‘demo‘
    allowed_domains = [‘python123.io‘]          #说明只能爬取这个文件下的URL
    start_urls = [‘http://python123.io/‘]

    def parse(self, response):              #处理响应，解析内容形成字典，发现新的URL爬取请求
        pass

　　　　（3），修改爬虫文件deom.py文件

# -*- coding: utf-8 -*-
import scrapy

class DemoSpider(scrapy.Spider):
    name = ‘demo‘
#    allowed_domains = [‘python123.io‘]          #说明只能爬取这个文件下的URL
    start_urls = [‘http://python123.io/ws/demo.html‘]

    def parse(self, response):              #处理响应，解析内容形成字典，发现新的URL爬取请求
        fname=response.url.split("/")[-1]
        with open(fname,"wb") as f:
            f.write(response.body)
        self.log("保存文件：%s"%name)

　　　（4），运行爬虫：scrapy crawl demo

　　2，yield：

　　　　例子：

　　3，相关类：

　　　　（1）request类：

　　　　（2）response类：

　　　　（3）Item类：类字典类型，可以按照字典类型操作；表示从HTML中提取的内容

　　4，CSS Selector：

 （三）实例：

　　实例一：

　　1，功能：

　　2，实现难点：

　　 3，准备工作：网站选取原则：

　　　　爬取链接：http://quote.eastmoney.com/stock_list.html#sh 东方财富股票综合排名

　　　　　　　　　http://gu.qq.com/xxxxxx/gp  腾讯个股股票信息

　　　　　　　　   先爬取股票综合排名：获取股票代码，放入搜狐股票的链接中转到个股信息

　　　　　　　　　爬取股票综合排名网页发现：股票简略信息都在<tbody class="tbody_right" id="datalist"></tbody>中；一个行内是一支股票的信息；一行的第一列是代码，第二列　　　　　　　　　是股票名称　　

　　4，步骤：

原文地址：https://www.cnblogs.com/lq13035130506/p/12254076.html