Scrapy学习笔记(2)

这一篇笔记主要介绍scrapy爬取名人名言、作者信息以及如何翻页操作，下一页！，本次要爬取的网址"http://www.dailyenglishquote.com/"，上面有很多名人名言，类似于scrapy官方文档的入门例子，不过要稍微复杂一些，因为除了名字、名人名言以外，还有对它的中文解释、简略介绍作者，这网站很良心，很适合爬虫练习

废话不多说，先建一个工程
>scrapy startproject FamousQuotes
>cd FamousQuotes
>scrapy genspider quotes "www.dailyenglishquote.com"

接下来到网页去分析要爬取什么
发布的时间我们不爬，因为又不是出名言的时间。我们要爬取的有一下几项：

• 首先，每个独立的名人名言都是这个标签，我们可以先定位这些个标签，接下来分别处理列表里的每一项：
  

  • 第一个a标签的title就是作者和职业：title="Les Brown (励志演说家)"
  • 第一个p标签的strong标签是英文名言：

    “The things you want...experience.”

    ，其中“”
是前/后双引号，这个没什么影响，可以在导出数据的时候用字符串的替换replace()即可
  • 接下来的div标签是作者的名字和英文职业，我们也可以爬下来：
    – Les Brown, Motivational Speaker
  • 第二个p标签就是中文翻译：

    「你想要的东西一...是一个很大的障碍物。」– 莱斯‧布朗 (励志演说家)

  • 接下来的ul标签中的li标签就是介绍作者了：
    
    
    • 莱斯‧布朗 (1945- ) 出身贫寒，但他追求...促使人们超越平庸是他演讲的主轴。
    
    
  • 什么？？你说头像？？好吧，我们只需要把图片地址爬下来就好，因为本地并没有很大的空间来存放，并且，如果你要利用图片，有图片链接也是可以用的。img标签就在div标签的a标签里面，爬取src属性即可

好了，以上就是我们要爬取的内容，先到scrapy shell里测试一下吧：
scrapy shell "http://www.dailyenglishquote.com/"

1. response.xpath('//div[@class="entry cf"]')
   显示了我们要找的所有div，然后将它赋值给divs，方便下边用

2. divs.xpath('a/@title').extract()是对应的a标签的title，然而，对于列表中的第一个结果，我醉了。。如下：
   ['英文名言', 'Lena Waithe (編劇)', 'Laurence J. Peter (哲學家)', 'Abraham
Maslow (心理學家)', 'Amy Poehler (女演員)', 'Les Brown (勵志演說家)', 'Ale
xis Carrel (外科醫生)']
   繁体字我就先不吐槽了，问题是第一个标题“英文名言”！我看了看后边的几页，都是正常的，也就是说只有第一页的第一个标题是英文名言。这种情况我们不要在意，因为后边还有一个div标签是英文名和职业，所以说不碍事

3. divs.xpath('p/strong/text()').extract()是所有的英文名言，还好，没什么问题。

4. divs.xpath('div/text()').extract()是英文名、英文职业

5. divs.xpath('p/text()').extract()是所有的中文翻译

6. divs.xpath('ul/li/text()').extract()是所有的作者介绍

7. divs.xpath('div/a/img/@src').extract()就是头像

8. 这是下一页的标签：»所以，只需要response.xpath('//a[@rel="next"]/@href').extract_first()就好了

有了以上这些，我们就可以完成爬取了，接下来就是写quotes.py了，这是代码：

# -*- coding: utf-8 -*-
import scrapy

class QuotesSpider(scrapy.Spider):
    name = 'quotes'
    start_urls = ['http://www.dailyenglishquote.com/']

    def parse(self, response):
        for div in response.xpath('//div[@class="entry cf"]'):
            yield {
                'title': div.xpath('a/@title').extract_first(),
                'En_content': div.xpath('p/strong/text()').extract_first(),
                'Name&Job': div.xpath('div/text()').extract_first(),
                'Zh_content': div.xpath('p/text()').extract_first(),
                'introduction': div.xpath('ul/li/text()').extract_first(),
                'img_src': div.xpath('div/a/img/@src').extract_first()
            }
        '下面next_page就是下一页的链接'
        next_page = response.xpath('//a[@rel="next"]/@href').extract_first()
        if next_page is not None: # 判断是否为None类型
            yield scrapy.Request(next_page, callback=self.parse) # 回调下一页

接下来我们写一下pipelines.py
记得把settings.py中
ITEM_PIPELINES = {
'FamousQuotes.pipelines.FamousquotesPipeline': 300,
}
这项取消注释
一下是pipelines.py的代码：

import json

class FamousquotesPipeline(object):

    def open_spider(self, spider):
        self.file = open('items.jl', 'w', encoding='utf-8')

    def close_spider(self, spider):
        self.file.close()

    def process_item(self, item, spider):
        line = json.dumps(dict(item), ensure_ascii=False) + '\n'
        self.file.write(line)
        return item

以上就是全部代码，在pipelines.py中的open_spider里面，如果open里的encoding不是gbk系列或者utf-8的话会报错，UnicodeEncodeError: 'gbk' codec can't encode character '\u2027' in position，编码问题到处都是~~~