python爬虫框架scrapy思路总结

文章旨在以小实例引导初学者理清这个号称写爬虫就如做填空题的scrapy爬虫框架的空该怎么填，比喻不当之处，欢迎指正！

一、理清框架各个模块的脉络关系

 一个完整的项目设计四个python文件的编写，分别是items.py、wuhanSpider.py（scrapy genspider wuHanSpider jycinema.com后生成，非系统自带）、settings.py、pipelines.py

四个文件对应2个HOW、1个what、1个who,即是

items-->how :定义要爬取哪些项目（取个要爬取的内容的名字）

wuhanSpider.py->HOW :阐述怎么爬取，即怎么从html代码中取数据

settings-->who:定义由谁保存经处理后的爬取的内容，一般是由pipelines模块中的一个类

pipelines->HOW:怎样去保存爬取到的内容，是导出到txt文件呀?还是数据库呀？等等

二、具体四个文件要写哪些代码：

1、items.py

class Scrapy0Item(scrapy.Item):
    # define the fields for your item here like:
      moivename = scrapy.Field()  #（只要起个名字作为你爬取项目范围）

2、wuhanSpider.py

from scrapy0.items import Scrapy0Item    #导入前面items模块中定义的类Scrapy0Item

def parse(self, response):
    subSelector=response.xpath('//div [@class="film-header"]')  #找到爬取信息落点大概范围
    items = []
    for sub in subSelector:
        item = Scrapy0Item()
        item['moivename']=sub.xpath('./a/h3/text()').extract() #在范围中取出具体目标元素
        items.append(item)
    return items

3、settings.py

ITEM_PIPELINE={'scrapy0.pipelines.Scrapy0Pipeline':300} #告诉 Scrapy最终的结果由scrapy0模块的pipelines模块的Scrapy0Pipeline类来处理

4、pipelines

这里以保存到.txt文件为例

import time
class Scrapy0Pipeline(object):
    def process_item(self, item, spider):
        now = time.strftime('%Y-%m-%d',time.localtime())
        fileName = 'wuhan'+ now +'.txt'
        with open(fileName,'a') as fp:
            fp.write(item['moiveName'][0].encode('utf8')+'\n\n')
        return item

三、最后执行

scrapy crawl wuHanSpider(项目名)

生成结果.txt文件

四、总结几种请求网页模块函数用法（urllib2和requests）

五，反反爬虫方法

1、带用户登录的post方法

2、带cookie信息的爬取

3、带自定义的请求头部的爬取

在settings加入

USER_AGENT='Mozilla/5.0(Windows NT 6.1;WOW64) AppleWeKit/537.36(KHTML,like Gecko)'

4、带代理ip的