爬取应用宝首页、应用分类、应用以及应用详情

工具：python3.6、pycharm社区版、anaconda（为什么会有anaconda，因为我pycharm的库路径设置的anaconda库（怠惰））、firefox56.02（没用最新版是因为新版不兼容Http Requester）

下载地址：
pycharm:https://www.jetbrains.com/pycharm/download/#section=windows
anaconda:https://www.anaconda.com/download/
firefox:https://support.mozilla.org/zh-CN/products/firefox/install-and-update-firefox

环境配置就不赘述了

pip安装教程:https://jingyan.baidu.com/article/b907e627a072a846e6891c5a.html

scrapy框架安装教程:https://cuiqingcai.com/912.html
文档:https://doc.scrapy.org/en/latest/

pycharm使用anaconda库:http://blog.csdn.net/xiu_star/article/details/52277623

firebug教程:https://jingyan.baidu.com/article/fd8044fa97e08c5030137a6c.html
http://www.runoob.com/firebug/firebug-tutorial.html

xpath教程:http://www.w3school.com.cn/xpath/

准备完毕后
打开pycharm，新建一个project（Create New Project）

选择Pure Python

命名随意，我的已经建好了，命名是My_app

建好project以后，进入Terminal，输入scrapy startproject My_app
按enter执行命令

My_app也只是个文件名，可以取自己想要的名字

执行完毕后应该会这样

右键点击spiders，新建一个python文件，取名还是随意

建好以后开始在这个文件下写代码
我的文件比较多，因为之前分别爬了首页跟应用分类还有应用

爬取首页代码

爬取应用分类代码

爬取应用代码

其实都差不多，就是一层层深入而已

最重要的是应用详情的爬取，里面有一些比较有意思的问题，比如相同类，相同标签里不同数据的爬取
比如爬取这种类型的数据

这里版本号数据与开发商数据的类名跟标签名是相同的，且在同一分层里，这就需要用到循环

下面是我爬取应用详情的代码
代码如下

#引入scrapy框架
import scrapy

#创建一个爬虫类
class Myapp_Spider(scrapy.Spider):
    name = 'X_Spider3'#爬虫命名，每个爬虫的名字必须是唯一的

    #首页
    #创建一个请求函数
    def start_requests(self):
        urls = ['http://sj.qq.com/myapp/']
        for url in urls:
            yield scrapy.Request(url = url,callback=self.parse_category)

    #应用分类
    #创建一个请求函数（网址比上面深一层）同时可以接受和解析返回的数据
    def parse_category(self,response):
        #遍历网址，并获得返回的数据
        for cg_url in response.xpath("//dl[@class='clearfix']/dd/a/@href"):#用@href获取指定超链接的url
            cg_url = response.urljoin(cg_url.extract())#用urljoin()函数拼接出完整网址
            yield scrapy.Request(url = cg_url,callback=self.parse_apps)#接收和解析返回的数据，并用yield迭代返回

    #应用
    #创建一个请求函数（网址比上面深一层）同时可以接受和解析返回的数据
    def parse_apps(self,response):
        #遍历网址，并获得返回的数据
        for app in response.xpath("//ul[@class='app-list clearfix']/li/div/div/a[@class='name ofh']/@href"):#加条件[@class='name ofh']过滤掉无用数据
            app = response.urljoin(app.extract())
            yield scrapy.Request(url = app,callback=self.parse_app_message)

    #应用信息
    ##创建一个请求函数（网址比上面深一层）同时可以接受和解析返回的数据
    def parse_app_message(self,response):
        iden = []#用来存储遍历出来的数据
        #因为是两个相同类相同标签的不同数据，所以需要遍历一下
        for identical in response.xpath("//div[@class='det-othinfo-data']/text()").extract():#这里用extract()提取有用数据
            iden.append(identical)
        #因为每个页面只展示一个应用的应用信息，所以不需要遍历
        yield {
            'Title': response.xpath("//div[@class='det-name-int']/text()").extract_first(),
            'Amount of Downloads': response.xpath("//div[@class='det-ins-num']/text()").extract_first(),
            'Score': response.xpath("//div[@class='com-blue-star-num']/text()").extract_first(),
            'Version': iden[0],
            'Developers': iden[1],
            #'Version': response.xpath("//div[@class='det-othinfo-data']/text()").extract_first(),
            #'Developers': response.xpath("//div[@class='det-othinfo-data']/text()").extract_first(),
            'Information': response.xpath("//div[@class='det-app-data-info']/text()").extract_first()
        }

代码完成以后 在Terminal下将目录转移至spiders文件的目录下，如果不转移至spiders文件下，crawl将无法执行

根据我的文件夹，我应该输入：

cd My_app\My_app\spiders

执行这条命令后，输入：

scrapy crawl X_Spider3

启用爬虫
X_Spider3 是我的爬取应用详情的爬虫的名字，请根据你在爬虫类下定义的name输入你的爬虫的名字

若要将爬取的数据存入文件，可输入如下命令:

scrapy crawl X_Spider3 -o filename.csv

csv是因为我比较喜欢用csv格式存储，-o下可用的存储格式有这些：
‘json’, ‘jsonlines’, ‘jl’, ‘csv’, ‘xml’, ‘marshal’, ‘pickle’
其中一些格式会将中文字符转换成unicode编码（比如json..）,但是这没什么关系

存入文件后是这样的

最上方的英文是我设置的标签，对应下面的各种内容（‘’tilte == 应用名 ‘’这样）
不要问我为什么开始抓到的都是什么美女直播之类的..我也不知道..随机抓的，以前不是这样的…（相信我！）

当然，也可以将这些数据存入数据库，我懒得写了，就不写了
我用的数据库是postgreSQL，操作工具是DBeaver

下面贴上我看的教程：爬虫神功

昨天起来到现在还没睡，睡觉睡觉，溜了溜了