python学习（三）scrapy爬虫框架（二）——创建一个scrapy爬虫

在创建新的scrapy爬虫之前，我们需要先了解一下创建一个scrapy爬虫的基本步骤

第一步：确定要爬取的数据

以爬取豆瓣电影数据为例：
每部电影所要爬取的信息有：

• 片名:《头号玩家》
• 导演: 史蒂文·斯皮尔伯格
• 编剧: 扎克·佩恩 / 恩斯特·克莱恩
• 主演: 泰伊·谢里丹 / 奥利维亚·库克 / 本·门德尔森 / 马克·里朗斯 / 丽娜·维特 / 更多…
• 类型: 动作 / 科幻 / 冒险

所以items文件的代码如下：

#items.py

import scrapy

class DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    movie_name = scrapy.Field()
    movie_dir = scrapy.Field()
    movie_editors = scrapy.Field()
    movie_actors = scrapy.Field()
    movie_type = scrapy.Field()

第二步：爬取所需的信息

确定了要爬取的信息后，只要去把所需的信息从网页上爬下来就可以了。
要爬取网页上的信息，我们需要先创建一个爬虫文件，在命令行中输入如下命令（必须在爬虫项目的文件夹里）：

scrapy genspider spidername "domain"
#spidername是要创建的爬虫的名字，必须是唯一的，而且不能和爬虫项目名相同
#domain要爬取的url的范围，即你所要爬取的网站的域名,如：www.baidu.com

创建好爬虫文件后，打开爬虫项目下的spiders文件夹，就可以看到我们刚刚创建的爬虫文件，用编辑器打开。
文件里已经定义好了start_urls，这是我们要开始爬取的网站链接，注意这是一个列表，可以放入多个url。当爬虫运行时就会把start_urls里的链接一个一个地拿出来，然后将返回的页面作为参数传递给parse函数来对网页中的信息进行提取，示例只爬取一个页面（头号玩家的详情页），代码如下：

# -*- coding: utf-8 -*-
#movieInfoSpider.py
import scrapy
#导入DouBanItem类
from douban.items import DoubanItem

class MovieinfoSpider(scrapy.Spider):
    name = 'movieInfo'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/subject/4920389/?from=showing']

    def parse(self, response):
        #创建DoubanItem类
        item = DoubanItem()

        item['movie_name'] = response.xpath('//title/text()').extract()[0]
        item['movie_dir'] = '导演:' + '/'.join(response.xpath('//div[@id="info"]/span[1]/span/a/text()').extract())
        item['movie_editors'] = '编剧:' + '/'.join(response.xpath('//div[@id="info"]/span[2]/span/a/text()').extract())
        item['movie_actors'] = '主演:' + '/'.join(response.xpath('//div[@id="info"]/span[3]/span/a/text()').extract())
        item['movie_type'] = '类型:' + '/'.join(response.xpath('//div[@id="info"]/span[@property=

        yield item

提取到所需的信息后，用yield关键字将item传递给pipelines.py进行进一步的处理

第三步：对提取到的信息进行储存

pipelines.py文件获得item后将会调用管道函数来对item进行处理，这里我们只把电影的信息保存为txt文件，代码如下：

# -*- coding: utf-8 -*-
#pipelines.py

class DoubanPipeline(object):
    def __init__(self):
        self.fo = open('info.txt', 'wb')

    def process_item(self, item, spider):
        self.fo.write((item['movie_name'] + '\n').encode('utf-8'))
        self.fo.write((item['movie_dir'] + '\n').encode('utf-8'))
        self.fo.write((item['movie_editor'] + '\n').encode('utf-8'))
        self.fo.write((item['movie_actors'] + '\n').encode('utf-8'))
        self.fo.write((item['movie_type'] + '\n').encode('utf-8'))

        #这里必须返回item，否则程序会一直等待，直到返回item为止
        return item

    def close_spider(self, spider):
        self.fo.close()
    #__init__, 和close_spider 函数相当于c++里的构造函数和析构函数

第四步：在setting.py里开启DoubanPipeline管道

这里只截取部分相关的代码：

# Obey robots.txt rules
#是否遵循网站对爬虫的规则，一般设为False，但默认为True
ROBOTSTXT_OBEY = False

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

#设置请求头，模拟浏览器
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Cache-Control': 'max-age=0',
'Connection': 'keep-alive',
'Cookie': 'bid=uzUipzgnxdY; ll="118267"; __utmc=30149280; __utmz=30149280.1523088054.4.4.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __utmc=223695111; __utmz=223695111.1523088054.1.1.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __yadk_uid=u46EFxFlzD46PvWysMULc80N9s8k2pp4; _vwo_uuid_v2=DC94F00058615E2C6A432CB494EEB894B|64bbcc3ac402b9490e5de18ce3216c5f; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1523092410%2C%22https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DFIqLEYPF6UnylF-ja19vuuKZ51u3u5gGYJHpVJ5MRTO-oLkJ_C84HBgYi5OulPwl%26wd%3D%26eqid%3Dd260482b00005bbb000000055ac87ab2%22%5D; _pk_id.100001.4cf6=cbf515d686eadc0b.1523088053.2.1523092410.1523088087.; _pk_ses.100001.4cf6=*; __utma=30149280.1054682088.1514545233.1523088054.1523092410.5; __utmb=30149280.0.10.1523092410; __utma=223695111.979367240.1523088054.1523088054.1523092410.2; __utmb=223695111.0.10.1523092410',
'Host': 'movie.douban.com',
'Upgrade-Insecure-Requests': '1',
}

最后：运行爬虫

进入到爬虫项目的文件夹里，执行命令：

scrapy crawl movieInfoSpider

结果截图：

总结：scrapy爬虫构建顺序 items.py–>spiders–>pipelines.py–>settings.py

---

上一篇：python学习（三）scrapy爬虫框架（一）——scrapy框架简介
下一篇：python学习（三）scrapy爬虫框架（三）——爬取壁纸保存并命名