爬虫之Scrapy的安装与基本使用

安装

pip install scrapy

基本使用　

创建项目

scrapy startproject 项目名

cd 项目名

生成爬虫

• 创建spider爬虫：scrapy genspider 爬虫名 允许的域名

1. 爬虫类需要继承scrapy.Spider
2. 爬虫的名字: name
3. 允许的域名: allowed_domains
4. 起始的url: start_urls
5. 解析函数:

• 创建crawlspider爬虫：scrapy genspider -t crawl 爬虫名称 允许的域

1. 完善提取URL的规则
2. Rule表示规则
   1. rules是一个元组或者是列表 --> Rule对象
   2. rules = (Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),)

• LinkExtractor[必选]:连接提取器，可以通过正则或者是xpath来提取URL
• allow: 用于指定一个正则表达, 只有与该正则匹配的链接才被提取出来
• restrict_xpaths: 用于指定一个XPATH, 只有该XPATH指定的区域中链接才被提取出来
• callback[可选]: 表示经过连接提取器提取出来的url对应响应的解析函数，可以没有，表示该响应不需要解析函数来处理
• follow[可选]：连接提取器提取的url地址对应的响应是否还会继续被rules中的规则进行提取，True表示会，False表示不会

完善爬虫

• response.xpath('xpath语法') --> 返回selector对象
• extract() --> 返回提取到的字符串列表 --> 无数据[]
• extract_first() --> 返回提取到的第一个字符串 --> 无数据None

注意： yield后不可以接列表

保存数据　

• 完善Pipeline类
• 在settings.py中开启管道

运行项目

scrapy crawl 爬虫名

CrawlSpider 与 Spider如何选择

　　自定义爬虫, 是继承CrawlSpider 还是 Spider呢?

• 一般当一类页面中可以获取所有数据的时候, 使用CrawlSpider
• 需要从多类页面中提取数据, 进行组合, 使用Spider