Scrapy爬虫框架入门

一、环境搭建

　　Scrapy是一个比较好的爬虫框架，本次，我们学习一下，使用Scrapy框架来创建一个爬虫项目，并通过一个简单的例子演示一下。

第一步：安装依赖。首先先保证已经安装了python，pip。然后使用pip进行一下依赖的安装，顺序为：

1、wheel      2、  lxml     3、PyOpenssl      4、  Pywin32   5、scrapy

安装命令为：比如安装sheel：pip install sheel

当然，肯定没有那么容易就能安装成功了啦，由于版本不一致的原因，经常会导致我们安装第三方库的时候，失败，大致报错如下：

出现这个问题的原因是，我们默认安装的第三方插件和python的版本不一致，因此我们需要自己去下一个正确的版本。

下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

搜索到我们需要的插件，然后存放到某个目录下，然后再运行pip install wheel?0.31.1?py2.py3?none?any.whl就可以了。

二、创建Scrapy项目

　　创建scrapy项目的命令依次如下：

1、创建一个项目 scrapy statrproject myproject

2、切换到myproject目录下 cd myproject

3、创建爬虫文件 scrapy genspider scrapyname  www.baidu.com

4、运行项目 scrapy crawl myproject

创建完之后，项目的目录结构如下：

三、实例演示

　　现在我们需要抓取网站http://lab.scrapyd.cn的数据，只需要在spiders目录下编写我们的爬虫逻辑即可。

这里面的name和star_urls其实就是我们在创建的时候爬虫文件的时候传递的值。scrapy genspider mingyan2  lab.scrapyd.cn

爬虫的逻辑代码如下：

 1 import scrapy
 2
 3 from mingyan.items import MingyanItem
 4 class mingyan(scrapy.Spider):  # 需要继承scrapy.Spider类
 5
 6     name = "mingyan2"  # 定义蜘蛛名
 7     start_urls = [
 8         ‘http://lab.scrapyd.cn‘,
 9
10     ]
11
12     def parse(self, response):
13         item = MingyanItem()
14         quotes = response.css(‘div.quote‘)
15         for quote in quotes:
16             item[‘text‘] = quote.css(‘.text::text‘).extract()[0]
17             item[‘author‘] = quote.css(‘.author::text‘).extract()[0]
18             item[‘tags‘] = quote.css(‘.tag::text‘).extract()
19             yield item
20         nextpage = response.css(‘li.next a::attr(href)‘).extract()[0]
21         if nextpage is not None:
22             yield scrapy.Request(nextpage,callback=self.parse)

如果我们想让抓取的数据以不同的格式存储时，只需要在命令行运行的时候增加-o参数即可，例如想要抓取的数据以json的格式存储，命令如下：

生成的数据文件为json数组的形式：

原文地址：https://www.cnblogs.com/win0211/p/9260056.html