Microsoft Windows [版本 10.0.16299.309]

(c)  Microsoft Corporation。保留所有权利。

C:\Users\felix>cd C:\Users\felix\PycharmProjects\scrapy_quotes

C:\Users\felix\PycharmProjects\scrapy_quotes>scrapy startproject quotes

New Scrapy project 'quotes', using template directory 'c:\\users\\felix\\appdata\\local\\programs\\python\\python36\\lib\\site-packages\\scrapy\\templates\\project', created in:

    C:\Users\felix\PycharmProjects\scrapy_quotes\quotes

You can start your first spider with:

    cd quotes

    scrapy genspider example example.com

import scrapy

from quotes.items import QuotesItem

class QuotespiderSpider(scrapy.Spider):

    name = 'quotespider'  # 爬虫名称

    allowed_domains = ['quotes.toscrape.com']  # 允许爬虫访问的域名，可以多个

    start_urls = ['http://quotes.toscrape.com/'] # 爬虫开始的url地址

    def parse(self, response):  # 爬虫返回的数据解析函数

        quotes = response.css('.quote')  # 通过css选择器选择相应的内容

        for quote in quotes:

            item = QuotesItem()  # item做数据持久化的

            text = quote.css('.text::text').extract_first()  # ::text 表示输出文本内容

            author = quote.css('.author::text').extract_first()  # ::text 表示输出文本内容

            tags = quote.css('.tags .tag::text').extract()  # extract_first() 表示找第一个，extract()表示找到所有，并返回一个列表

            item['text'] = text  # 赋值  首先要在items类中创建

            item['tags'] = tags

            item['author'] = author

            yield item  # 生成item 做数据存储

        next = response.css('.pager .next a::attr(href)').extract_first()  # 得到相对的url

        url = response.urljoin(next)  # 获取一个绝对的url，获取下一页的url

        yield scrapy.Request(url=url, callback=self.parse)  # 处理链接，将返回的response交给callback的回调函数

# scrapy shell quotes.toscrape.com  # 进入命令行调试

# scrapy crawl quotes -o quotes.json(.csv  .xml)     # 数据保存，可以保存多个类型

import scrapy

class QuotesItem(scrapy.Item):

    # define the fields for your item here like:

    # name = scrapy.Field()

    text=scrapy.Field()  #创建文本字段

    author=scrapy.Field() # 创建作者字段

    tags=scrapy.Field()  # 创建标签字段

import pymongo

from scrapy.exceptions import DropItem

# 要使用pipline一定要在设置中指定

class QuotesPipeline(object):

    def process_item(self, item, spider):

        return item

# 一个pipeline要么返回item 要么返回dropitem

class TextPipeline(object):

    def __init__(self):

        self.limit = 50

    def process_item(self, item, spider):
　　　　　# 这里的item为item类中的item
　　　　　# 大于50字的文本进行处理

        if item['text']:

            if len(item['text']) > self.limit:

                item['text'] = item['text'][0:self.limit].rstrip() + '...'

                return item

        else:

            return DropItem('Missing Text')

# 添加数据库的操作

class MongoPipeline(object):

    def __init__(self, mongo_url, mongo_db):
　　　　 # 初始化数据库

        self.mongo_url = mongo_url

        self.mongo_db = mongo_db


　　 # 该类方法可以从设置中读取数据

    @classmethod

    def from_crawler(cls, crawler):

        return cls(

            # 从设置里面获取数据库的设置信息

            mongo_url=crawler.settings.get('MONGO_URL'),

            mongo_db=crawler.settings.get('MONGO_DB')

        )

    def open_spider(self, spider):  # 启动爬虫时做的操作
　　　　 # 初始化数据库

        self.client = pymongo.MongoClient(self.mongo_url)

        self.db = self.client[self.mongo_db]

　　 # 处理item的方法，必须实现返回item或者dropitem

    def process_item(self, item, spider):

        name = item.__class__.__name__  # item的名称

        self.db[name].insert(dict(item))

        return item

    def close_spider(self, spider):

        self.client.close()  # 结束爬虫时关闭数据库