Python网络爬虫实战之十二：Scrapy爬虫三个实战小案例

目录：Python网络爬虫实战系列

• Python网络爬虫实战之一：网络爬虫理论基础
• Python网络爬虫实战之二：环境部署、基础语法、文件操作
• Python网络爬虫实战之三：基本工具库urllib和requests
• Python网络爬虫实战之四：BeautifulSoup
• Python网络爬虫实战之五：正则表达式
• Python网络爬虫实战之六：静态网页爬取案例实战
• Python网络爬虫实战之七：动态网页爬取案例实战 Selenium + PhantomJS
• Python网络爬虫实战之八：动态网页爬取案例实战 Selenium + Headless Chrome
• Python网络爬虫实战之九：Selenium进阶操作与爬取京东商品评论
• Python网络爬虫实战之十：利用API进行数据采集
• Python网络爬虫实战之十一：Scrapy爬虫框架入门介绍
• Python网络爬虫实战之十二：Scrapy爬虫三个实战小案例
• Python网络爬虫实战之十三：Scrapy爬取名侦探柯南漫画集
• Python网络爬虫实战之十四：Scrapy结合scrapy-splash爬取动态网页数据

正文：

案例一：爬取微博天气

网页链接：http://weather.sina.com.cn

创建项目

scrapy startproject weather

在 weather\items.py中输入以下代码

import scrapy

class WeatherItem(scrapy.Item):
    city = scrapy.Field()
    date = scrapy.Field()
    dayDesc = scrapy.Field()
    dayTemp = scrapy.Field()

在 weather\spiders 目录中新建 spider.py 并输入以下代码

import scrapy
from weather.items import WeatherItem


class WeatherSpider(scrapy.Spider):
    name = "myweather"
    allowed_domains = ["sina.com.cn"]
    start_urls = ['http://weather.sina.com.cn']

    def parse(self, response):
        item = WeatherItem()
        item['city'] = response.xpath('//*[@id="slider_ct_name"]/text()').extract()
        tenDay = response.xpath('//*[@id="blk_fc_c0_scroll"]');
        item['date'] = tenDay.css('p.wt_fc_c0_i_date::text').extract()
        item['dayDesc'] = tenDay.css('img.icons0_wt::attr(title)').extract()
        item['dayTemp'] = tenDay.css('p.wt_fc_c0_i_temp::text').extract()
        return item

项目结构如图

scrapy1.jpg

执行程序

执行命令1：scrapy crawl myweather
执行命令2：scrapy crawl myweather -o myweather.json

案例二：爬取百度贴吧数据

网页链接：https://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8&pn=0

创建项目

scrapy startproject tieba

在 tieba\items.py中输入以下代码

import scrapy


class tiebaitem(scrapy.Item):
    title = scrapy.Field()
    author = scrapy.Field()
    reply = scrapy.Field()

在 tieba\spiders 目录中新建 spider.py 并输入以下代码

import scrapy
from tieba.items import tiebaitem


class BbsSpider(scrapy.Spider):
    name = "tieba"
    allowed_domains = ["baidu.com"]
    start_urls = ["https://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8&pn=0", ]

    def parse(self, response):
        item = tiebaitem()
        item['title'] = response.xpath('//*[@id="thread_list"]/li/div/div[2]/div[1]/div[1]/a/text()').extract()
        item['author'] = response.xpath('//*[@id="thread_list"]/li/div/div[2]/div[1]/div[2]/span[1]/span[1]/a/text()').extract()
        item['reply'] = response.xpath('//*[@id="thread_list"]/li/div/div[1]/span/text()').extract()  # TODO 前两条评论无法输出
        yield item

项目结构如图

scrapy2.jpg

执行程序

执行命令1：scrapy crawl tieba
执行命令2：scrapy crawl tieba -o tieba.json

案例三：爬取当当商品列表数据

网页链接：http://weather.sina.com.cn

创建项目

scrapy startproject autopjt

在 autopjt\items.py中输入以下代码

import scrapy


class AutopjtItem(scrapy.Item):
    # 定义好name用来存储商品名
    name = scrapy.Field()
    # 定义好price用来存储商品价格
    price = scrapy.Field()
    # 定义好comnum用来存储商品评论数
    comnum = scrapy.Field()
    # 定义好link用来存储商品链接
    link = scrapy.Field()

在 autopjt\spiders 目录中新建 spider.py 并输入以下代码

import scrapy
from autopjt.items import AutopjtItem
from scrapy.http import Request


class AutospdSpider(scrapy.Spider):
    name = "autospd"
    allowed_domains = ["dangdang.com"]
    start_urls = (
        'http://category.dangdang.com/pg1-cid4004279.html',
    )

    def parse(self, response):
        item = AutopjtItem()
        # 通过各Xpath表达式分别提取商品的名称、价格、链接、评论数等信息
        item["name"] = response.xpath("//a[@class='pic']/@title").extract()
        item["price"] = response.xpath("//span[@class='price_n']/text()").extract()
        item["link"] = response.xpath("//a[@class='pic']/@href").extract()
        item["comnum"] = response.xpath("//a[@name='itemlist-review']/text()").extract()
        # 提取完后返回item
        yield item
        # 接下来很关键，通过循环自动爬取76页的数据
        for i in range(2, 77):
            # 通过上面总结的网址格式构造要爬取的网址
            url = "http://category.dangdang.com/pg" + str(i) + "-cid4004279.html"
            # 通过yield返回Request，并指定要爬取的网址和回调函数
            # 实现自动爬取
            yield Request(url, callback=self.parse)

在 autopjt\pipelines.py中输入以下代码

import codecs
import json

class AutopjtPipeline(object):
    def __init__(self):
        # 此时存储到的文件是mydata2.json，不与之前存储的文件mydata.json冲突
        self.file = codecs.open('D:/DataguruPyhton/PythonSpider/images/当当手机.txt', "wb", encoding="utf-8")

    def process_item(self, item, spider):
        # 每一页中包含多个商品信息，所以可以通过循环，每一次处理一个商品
        # 其中len(item["name"])为当前页中商品的总数，依次遍历
        for j in range(0, len(item["name"])):
            # 将当前页的第j个商品的名称赋值给变量name
            name = item["name"][j]
            price = item["price"][j]
            comnum = item["comnum"][j]
            link = item["link"][j]
            # 将当前页下第j个商品的name、price、comnum、link等信息处理一下，重新组合成一个字典
            goods = {"name": name, "price": price, "comnum": comnum, "link": link}
            # 将组合后的当前页中第j个商品的数据写入json文件
            i = json.dumps(dict(goods), ensure_ascii=False)
            line = i + '\n'
            self.file.write(line)
            # 返回item
        return item

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

在 autopjt\settings.py中输入以下代码

BOT_NAME = 'autopjt'

SPIDER_MODULES = ['autopjt.spiders']
NEWSPIDER_MODULE = 'autopjt.spiders'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

# Disable cookies (enabled by default)
COOKIES_ENABLED = False

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'autopjt.pipelines.AutopjtPipeline': 300,
}

项目结构如图

scrapy3.jpg

执行程序

执行命令：scrapy crawl autopjt