创建scrapy项目_项目构建是什么意思

大家好，又见面了，我是你们的朋友全栈君。

构建项目：

代码语言：javascript复制

scrapy startproject taobao

pycharm打开项目。

在项目根路径创建一个爬虫：

代码语言：javascript复制

scrapy genspider 爬虫名称 要爬取的限制域

调试工具：

代码语言：javascript复制

scrapy shell http://www.taobao.com

代码语言：javascript复制

#选择<title>标签(也可以class),::取标签值，extract提取数据，first指第一个，等价于extract[0]
response.css('title::text').extract_first()

启动项目：

代码语言：javascript复制

scrapy crawl quotes

pycharm断点调试：

在根路径下新建文件main.py，内容如下：修改下爬虫名称即可

代码语言：javascript复制

from scrapy.cmdline import execute
import os
import sys

if __name__ == '__main__':
    sys.path.append(os.path.dirname(os.path.abspath(__file__)))
    execute(['scrapy', 'crawl', '爬虫name'])

爬虫如下:

爬虫文件：

代码语言：javascript复制

import scrapy
from ..items import MyscrapyItem


# 定义爬取逻辑
class QuotesSpider(scrapy.Spider):
    # 爬虫名称
    name = 'quotes'
    # 允许的域
    allowed_domains = ['lab.scrapyd.cn']
    # 初始url集合
    start_urls = ['http://lab.scrapyd.cn/page/1/']

    # 处理response的方法
    def parse(self, response):
        # 用css选择器、获取所有的quote节点
        quotes = response.css('div.quote')
        # 遍历节点集
        for quote in quotes:
            item = MyscrapyItem()
            item["text"] = quote.css('span.text::text').extract_first()
            item["author"] = quote.css('span small.author::text').extract_first()
            item["tags"] = quote.css('div.tags a.tag::text').extract()
            yield item
        # 如果存在下一页则继续递归爬取
        next_page = response.css('.next a::attr(href)').extract_first()
        if next_page is not None:
            yield scrapy.Request(next_page, callback=self.parse)

item文件：

代码语言：javascript复制

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class MyscrapyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 定义爬取的数据字段
    text = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()
    pass

pipelines：

代码语言：javascript复制

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class MyscrapyPipeline:
    def process_item(self, item, spider):
        # 处理爬取的结果
        print(item)

要激活pipelines还需要修改一下settings.py

将这一段注释释放掉

代码语言：javascript复制

ITEM_PIPELINES = {
   'myscrapy.pipelines.MyscrapyPipeline': 300,
}

注意xpath的使用：

代码语言：javascript复制

    def parse(self, response, **kwargs):
        # 使用绝对路径定位标签
        elements = response.xpath('//div[@class="ui relaxed divided items explore-repo__list"]//div[@class="item"]')
        for element in elements:
            # 注意：再次进行xpath的时候是相对路径在需要//前面加上.。是.//而不是//
            link = self.allow_domains   element.xpath('.//h3/a/@href').get()
            print(link)
        pass

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/197146.html原文链接：https://javaforall.cn

爬虫 https java 网络安全 ide

0 人点赞