V站笔记
- 爬取这个网上的书籍http://www.allitebooks.com/security/
- 然后价格等信息在亚马逊上爬取：https://www.amazon.com/s/ref=nb_sb_noss?url=search-alias=aps&field-keywords=xxx # xxx表示的是下面爬取的isbn
- 用的是python3.6
- 微博、小程序查看代码混乱，请查看原文~
准备
- 安装的包
$ pip install scrapy$ pip install pymysql- 需要了解的一些scrapy知识
Spider
Spider类想要表达的是：如何抓取一个确定了的网站的数据。比如在start_urls里定义的去哪个链接抓取，parse()方法中定义的要抓取什么样的数据。 当一个Spider开始执行的时候，它首先从start_urls()中的第一个链接开始发起请求，然后在callback里处理返回的数据。
Items
Item类提供格式化的数据，可以理解为数据Model类。
Selectors
Scrapy的Selector类基于lxml库，提供HTML或XML转换功能。以response对象作为参数生成的Selector实例即可通过实例对象的xpath()方法获取节点的数据。
编写
新建项目
代码语言：javascript复制$ scrapy startproject book_scrapy这个是创建一个名为 book_scrapy的项目
新建爬虫
代码语言：javascript复制$ cd book_sacrpy/$ scrapy genspider book_spiser allitebooks.com- 结构如下：
├── book_sacrpy│ ├── __init__.py│ ├── items.py│ ├── middlewares.py│ ├── pipelines.py│ ├── settings.py│ └── spiders│ ├── __init__.py│ └── book_spiser.py└── scrapy.cfg提示：pycharm里面可以一步到位
编写Items类，就是要获取的东西都这里
代码语言：javascript复制# -*- coding: utf-8 -*- # Define here the models for your scraped items## See documentation in:# http://doc.scrapy.org/en/latest/topics/items.html import scrapy class BookItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() # pass title = scrapy.Field() isbn = scrapy.Field() price = scrapy.Field()说明：
- title表示书的标题
- isbn表示书的编号，这样可以从亚马逊里面查到
- price表示价格，进入亚马逊之后爬取
编写Spider爬虫
代码语言：javascript复制就是spider文件夹下的book_spider.py文件，具体代码如下，css，xpath的分析省略
# -*- coding: utf-8 -*-import scrapy from book_sacrpy.items import BookItem class BookSpiserSpider(scrapy.Spider): name = 'book_spiser' allowed_domains = ['allitebooks.com','amazon.com'] start_urls = ['http://allitebooks.com/security/',] def parse(self, response): num_pages = int(response.xpath('//a[contains(@title, "Last Page →")]/text()').extract_first()) base_url = "http://www.allitebooks.com/security/page/{0}/" for page in range(1,num_pages): yield scrapy.Request(base_url.format(page),dont_filter=True,callback=self.pare_page) def pare_page(self,response): for ever in response.css('.format-standard'): book_url = ever.css('.entry-thumbnail a::attr(href)').extract_first("") yield scrapy.Request(book_url,callback=self.pare_book_info) def pare_book_info(self,response): title = response.css('.single-title').xpath('text()').extract_first() isbn = response.xpath('//dd[2]/text()').extract_first('').replace(' ','') items = BookItem() items['title'] = title items['isbn'] = isbn amazon_price_url = 'https://www.amazon.com/s/ref=nb_sb_noss?url=search-alias=aps&field-keywords=' isbn yield scrapy.Request(amazon_price_url,callback=self.pare_book_price,meta={'items': items}) def pare_book_price(self,response): items = response.meta['items'] items['price'] = response.xpath('//span/text()').re(r'$[0-9] .[0-9]{2}?')[0] yield items说明：
- 导入前面编写的Items，是将爬取的数据通过yield方式提交
- 新建类继承的是scrapy.Spider类
- name为爬虫的名字，allowed_domains表示允许的域名，start_urls表示爬取的时候的入口url
运行：
代码语言：javascript复制爬取写入到一个csv文件
$ scrapy crawl book_sacrpy -o books.csv拓展
写入mysql
介绍
- pipelines.py文件，是管道文件，数据传入item之后，会再传给pipeline，所以可以在pipelines.py里面写各种存数据的方式
- middlewares.py文件，是中间件文件，一般写爬虫的IP代理，user-agent等
- settings.py文件，是设置文件，里面主要是设置开启关闭pipelines、middlewares、是否爬取robots.txt等，也可以在这里面设置一些mysql的动态修改的文件等
我们暂时不用中间件，数据库自己提前设置好表头等信息
pipelines.py代码：
代码语言：javascript复制# -*- coding: utf-8 -*- # Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html import pymysqlfrom book_sacrpy.items import BookItem class BookIntodbPipeline(object): def __init__(self): self.conn = pymysql.connect("localhost","root","root","book",charset="utf8") self.cursor = self.conn.cursor() def process_item(self, item, spider): insert_sql = ''' insert into book(title,isbn,price) VALUES ('{}','{}','{}') ''' self.cursor.execute(insert_sql.format(item['title'],item['isbn'],item['price'])) self.conn.commit() # return item设置settings.py文件
代码语言：javascript复制ITEM_PIPELINES = { 'book_sacrpy.pipelines.BookIntodbPipeline': 300,}将上面这一段注释掉，写入我们编写的那个pipeline，数字越大表示越靠后，里面可以写多个pipeline
运行
代码语言：javascript复制$ scrapy crawl book_spiser- 每次运行都要输入三个命令，下面介绍一种快速运行的方式
写一个run.py文件，代码如下：
代码语言：javascript复制# coding:utf8 from scrapy.cmdline import execute import sysimport os sys.path.append(os.path.dirname(os.path.abspath(__file__)))execute(["scrapy", "crawl", "book_spiser"])以后只需要运行一个python run.py
