Python爬蟲 --- 2.3 Scrapy 框架的簡單使用
原文連結：www.fkomm.cn/article/201…
網路爬蟲，是在網上進行資料抓取的程式，使用它能夠抓取特定網頁的HTML資料。
Scrapy框架的簡單使用：
雖然我們利用一些庫開發一個爬蟲程式，但是使用框架可以大大提高效率，縮短開發時間。Scrapy是一個使用Python編寫的，輕量級的框架，簡單輕巧，並且使用起來非常的方便。使用Scrapy可以很方便的完成網上資料的採集工作，它為我們完成了大量的工作，而不需要自己費大力氣去開發。
下面我們來通過一個很簡單的例子來介紹Scrapy框架的使用。
我們要爬的網址是：搜讀網： www.sodu.cc。
我喜歡在這個網站看小說，裡面的小說內容還是比較豐富的，推薦讀者喜歡看小說的可以來看看。因為只是簡單介紹，所以我只準備抓取小說的標題。
好的，基本流程既然確定了，那接下來就一步一步的完成就可以了。
其實只需要四步即可！！！
步驟一： 建立一個工程和Spider模板
我們先用命令列建立一個Scrapy工程：
$ scrapy startproject soudu
接著，我們進入到工程目錄：
$ cd soudu
我們來看一下目錄結構：
tree
# OUT:
.
├── soudu #外層目錄
│ ├── __init__.py #初始化指令碼
│ ├── __pycache__ #Python快取檔案。暫時無視
│ ├── items.py #Items程式碼模板，繼承類自scrapy.Item 最後，我們用命令列建立第一個Spider：
$ scrapy genspider title www.sodu.cc
這樣我們就建立了一個名為title的爬蟲了。
我們來看看他長什麼樣，開啟/spiders/title.py:
# -*- coding: utf-8 -*-
import scrapy
class NewsSpider(scrapy.Spider):
name = 'title'
allowed_domains = ['www.sodu.cc']
start_urls = ['http://www.sodu.cc/']
def parse(self, response):
pass
複製程式碼可以看到，Scrapy已經幫我們把爬蟲的框架寫好了，我們只要在這個框架的基礎上進行進一步的定製就可以了。
步驟二：編寫Spider
我們來著手定製我們的爬蟲吧：
看一下詳細的註釋
# -*- coding: utf-8 -*-
import scrapy
# 將我們需要爬的專案引入進來
from soudu.items import SouduItem
class DemoSpider(scrapy.Spider):
#該爬蟲的名字
name = "title"
#規定爬蟲爬取網頁的域名
allowed_domains = ['www.sodu.cc']
#開始爬取的url連結
start_urls = ['http://www.sodu.cc/']
def parse(self, response):
'''
parse()函式接收Response引數，就是網頁爬取後返回的資料
用於處理響應，他負責解析爬取的內容
生成解析結果的字典，並返回新的需要爬取的請求
'''
#由於是demo 我們不做完全的功能，
#只要求爬取出第一部小說的名字
#xpath規則可以通過檢視網頁原始檔得出，chrome右鍵檢查定位到所要爬取的內容
name = response.xpath('//a[@onclick="getpage(this)"]/text()').extract()[0]
#建立一個items字典，用於儲存我們爬到的結果，並返回給pipline處理
items = {}
items['第一部小說名']= name
return items
複製程式碼步驟三：編寫Item Pipeline
首先我們編寫itmes.py來定義這個爬蟲框架需要爬哪些內容：
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class SouduItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field()
複製程式碼接著我們編寫 piplines.py來處理spider爬到的內容：
# -*- 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
class ZimukuPipeline(object):
def process_item(self, item, spider):
# 因為是最簡單的，所以我們把爬到的結果列印一下
print(item)
return item
複製程式碼步驟四：優化配置Settings.py
# -*- coding: utf-8 -*-
# Scrapy settings for soudu project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
# https://doc.scrapy.org/en/latest/topics/settings.html
# https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
# https://doc.scrapy.org/en/latest/topics/spider-middleware.html
BOT_NAME = 'soudu'
SPIDER_MODULES = ['soudu.spiders']
NEWSPIDER_MODULE = 'soudu.spiders'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'soudu (+http://www.yourdomain.com)'
# Obey robots.txt rules
ROBOTSTXT_OBEY = True
#只增加了這一行，通過配置告訴Scrapy明白是誰來處理結果
ITEM_PIPELINES = {
'soudu.pipelines.SouduPipeline': 300,
}
複製程式碼好了，這樣一個爬蟲就算完成了，那怎麼獲取爬到的結果呢？？？
執行
首先我們通過命令來執行爬蟲：
$ scrapy crawl title
讓我們這個最最簡單的爬蟲跑起來。
來看一下結果：
我只擷取部分我們需要的內容，其他的我且暫不寫出了：
2018-08-03 19:31:53 [scrapy.core.scraper] DEBUG: Scraped from <200 http://www.sodu.cc/>
{'第一部小說名': '聖墟'}
複製程式碼是不是可以看到我們需要找到的內容了？
Scrapy框架的基本使用已經說完了，以後我會一步一步來講解其他的例子。
相關文章和視訊推薦
圓方圓學院彙集 Python + AI 名師，打造精品的 Python + AI 技術課程。 在各大平臺都長期有優質免費公開課，歡迎報名收看。 公開課地址：ke.qq.com/course/3627…