Python爬虫之三

1）使用Scrapy，什么叫做Scrapy

Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

2）安装的Scrapy

$ : sudo pip3 install scrapy

3)确定要爬去网站

如：http://bolg.jobbole.com/

　　步骤为：

　　（1）在/home/下新建文件夹

　　　　如：testspider

　　（2）使用命令进入文件夹

　　　　$:cd ~/testspider

　　　　$~/testspider: scrapy startproject testspider

　　　(3)在使用pycharm打开testspider

结构说明：

testSpider 项目的外壳

testSpider 项目目录

spiders 爬虫编写目录

__init__.py 包文件

item.py 数据模型文件

middlewares.py 中间件文件 proxy 代理ip

pipelines.py 数据输出管道文件

settings.py 项目的配置文件

scrapy.cfg scapy 的配置文件

　　（4）使用scrapy的基本模板创建

　　　　$~/testspider: scrapy startproject testspider

　　(5)查看pycharm工程

4）运行scrapy

书写程序

　　#启动程序
　　from scrapy.cmdline import execute
　　import sys
　　import os
　　print(os.path.dirname(os.path.abspath(__file__)))
　　sys.path.append(os.path.dirname(os.path.abspath(__file__)))#获取当前路径
　　execute(["scrapy","crawl","jobbole"])

运行结果：

2019-03-23 20:09:58 [scrapy.utils.log] INFO: Versions: lxml 4.3.2.0, libxml2 2.9.9, cssselect 1.0.3, parsel 1.5.1, w3lib 1.20.0, Twisted 18.9.0, Python 3.6.7 (default, Oct 22 2018, 11:32:17) - [GCC 8.2.0], pyOpenSSL 19.0.0 (OpenSSL 1.1.0g 2 Nov 2017), cryptography 2.1.4, Platform Linux-4.18.0-16-generic-x86_64-with-Ubuntu-18.04-bionic
2019-03-23 20:09:58 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'testspider', 'NEWSPIDER_MODULE': 'testspider.spiders', 'SPIDER_MODULES': ['testspider.spiders']}
2019-03-23 20:09:58 [scrapy.extensions.telnet] INFO: Telnet Password: d217d79f472f437e
2019-03-23 20:09:58 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.memusage.MemoryUsage',
'scrapy.extensions.logstats.LogStats']

...

5）xpath

使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

　　（1）xpath的简介

　　（2）xpath语法

　　（3）xpath的使用

　　　　class JobboleSpider(scrapy.Spider):
　　　　　　name = 'jobbole'
　　　　　　allowed_domains = ['blog.jobbole.com']
　　　　　　start_urls = ['http://blog.jobbole.com/114496/']
　　　　　　def parse(self, response):
　　　　　　re_selector_ = response.xpath("/html/body/div[3]/a/img")
　　　　　　pass

巴特西

Python爬虫之三

最新文章

热门文章