Python3网络爬虫教程18——分布式爬虫Scrapy实例（爬取一个页面）

Python 全栈工程师核心面试 300 问深入解析(2020 版)----全文预览

Python 全栈工程师核心面试 300 问深入解析(2020 版)----欢迎订阅

上接：
Python3网络爬虫教程17——分布式爬虫Scrapy基础
https://blog.csdn.net/u011318077/article/details/86692451

4. 简单实例（爬取一条名言）

• 创建一个简单的爬虫实例

  • 第一步：创建一个scrapy项目
    • 创建命令：scrapy startproject mingyan2(mingyan2是我取的项目文件夹名称)
    • 打开CMD窗口，CD命令切换到要放置爬虫项目文件夹下面，然后执行上述命令
    • 执行命令及文件夹下面的有哪些东西参考: 爬虫1.png 爬虫2.png
  • 第二步：编写爬虫的主程序py文件
    • 在spiders文件夹下新建mingyan_spider.py文件
    • 然后里面编写代码
    • 参考mingyan_spider.py文件
  • 第三步：执行爬虫命令
    • CD到刚刚的项目文件mingyan2下
    • 执行命令：scrapy crawl mingyan2
    • 刚刚主程序里面定义了一个，name = ‘mingyan2’
    • 上面的命令中的mingyan2是这个name的名称，不是文件夹的名称，只不过这里名称一样
    • 执行结束后，mingyan2文件下自动保存了刚刚爬取到的两个url的页面
    • 参考: 爬虫3.png
      

• 参考实例mingyan_spider.py

import scrapy

# 定义一个mingyan类，继承Spider父类
class mingyan(scrapy.Spider):

    # 定义蜘蛛名
    name = 'mingyan2'

    # 此方法通过下面链接爬取页面
    def start_requests(self):
        urls = [
            'http://lab.scrapyd.cn/page/1/',
            'http://lab.scrapyd.cn/page/2/',
            'http://lab.scrapyd.cn/page/3/',
        ]

        # 爬取到的页面直接调用下面定义的parse方法处理
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):

        '''
        start_requests已经爬取到页面，那如何提取我们想要的内容呢？那就可以在这个方法里面定义。
        这里的话，并木有定义，只是简单的把页面做了一个保存，并没有涉及提取我们想要的数据，后面会慢慢说到
        也就是用xpath、正则、或是css进行相应提取，这个例子就是让你看看scrapy运行的流程：
        1、定义链接；
        2、通过链接爬取（下载）页面；
        3、定义规则，然后提取数据；
        就是这么个流程，似不似很简单呀？
        '''

        # 根据url请求得到页面，提取里面的页码，如：/page/1/，提取到倒数第二个元素的就是：1
        page = response.url.split('/')[-2]

        # 拼接文件名称，如果是第一页，最终文件名便是：mingyan-1.html
        filename = 'mingyan-%s.html' % page

        # 保存爬取到的网页内容
        # wb以二进制格式打开一个文件只用于写入。如果该文件已存在则将其覆盖。如果该文件不存在，创建新文件。
        with open(filename, 'wb') as f:
            # 将下载页面中的body标签下的内容写入
            f.write(response.body)

5. scrapy shell使用

• scrapy调试工具
• CMD窗口切换到项目文件下执行命令：scrapy shell 网址
  • scrapy shell http://lab.scrapyd.cn
  • scrapy shell http://www.baidu.com
• 退出调试执行命令：exit
• 参考: 爬虫4.png 爬虫5.png
  
  

6. scrapy css选择器使用(爬取一页的名言)

• 执行调试命令：scrapy shell http://lab.scrapyd.cn
• 先提取HTML的title: response.css(‘title’)
  • 得到一个Selector的列表
  • []
  • 换种写法，每次可以得到不同的结果
  • response.css(‘title’).extract()
    [‘爬虫实验室 - SCRAPY中文网提供’]
  • response.css(‘title’).extract()[0]
    ‘爬虫实验室 - SCRAPY中文网提供’
  • response.css(‘title’).extract_first()
    ‘爬虫实验室 - SCRAPY中文网提供’
  • response.css(‘title::text’).extract_first()
    ‘爬虫实验室 - SCRAPY中文网提供’
• 我们其实一般都值需要标签里面的具体内容所有执行
  • response.css(‘title::text’).extract_first()
    • 参考：爬虫6.png
      

6.1. scrapy css选择器进一步使用

• 先项目文件下执行：scrapy shell http://lab.scrapyd.cn

• 接着执行： mingyan1 = response.css(‘div.quote’)[0]

• 每一段名言都被一个

  ……
  包裹

• 我们就把第一段名言保存在：mingyan1 这么一个变量里面了。

• 为什么会有一个：[0] 这表示提取第一段，如果没有这个限制，那我们提取的是本页所有名言

• 网页源码
  

  
  看官，此页面只为爬虫练习使用，都是残卷，若喜欢可以去找点高清版！
  作者：中国传世名画
  【详情】
  
  

  
  

  
  标签： 艺术，
  名画
  

  
  

• 继续执行：mingyan1.css(’.text::text’).extract_first()

• 使用了：.text这是class选择器，提取第一个内容

• mingyan1.css(’.tags .tag::text’).extract()

• 我们用的并非是.extract_first() 而是 extract()，why？应为里面有多个标签，我们并非只是提取一个，

• 而是要把所有标签都提取出来，因此就用了：.extract()

• 并且用了两次标签tags,意思是提取第二个标签里面的内容

• 参考：爬虫7.png

• 参考网址：http://www.scrapyd.cn/doc/147.html

• 参考实例ItemSpider.py

• 参考实例ListSpider.py
  
  ItemSpider.py

# 提取http://lab.scrapyd.cn中的五条名言
# 分别按编号+作者的方式保存为5个文件

import scrapy

# 定义一个mingyan类，继承Spider父类
class ItemSpider(scrapy.Spider):

    # 定义蜘蛛名
    name = 'ItemSpider'
    start_urls = ['http://lab.scrapyd.cn']

    def parse(self, response):

        # 提取页面中的所有的名言
        mingyanPage1 = response.css('div.quote')

        number1 = 0

        for mingyan in mingyanPage1:
            # 提取css中text标签对应的文字内容，名言的正文
            text = mingyan.css('.text::text').extract_first()
            # 提取作者
            author = mingyan.css('.author::text').extract_first()
            # 提取标签
            tags = mingyan.css('.tags .tag::text').extract()
            # 数组转换为字符串
            tags = ', '.join(tags)
            # 将爬去的内容存入文件，文件名为：编号. 作者-语录.txt
            number1 += 1
            filename =  '%s. %s-语录.txt' %(number1, author)
            # 以写的方式打开文件并写入内容
            with open(filename, "w") as f:
                f.write(text)
                f.write('\n')
                f.write('标签: ' + tags)
                f.close()

ListSpider.py

# 提取http://lab.scrapyd.cn中的五条名言
# 相同作者的名言保存在一个文件中，采用追加的方式写入

import scrapy

# 定义一个mingyan类，继承Spider父类
class ListSpider(scrapy.Spider):

    # 定义蜘蛛名
    name = 'ListSpider'
    start_urls = ['http://lab.scrapyd.cn']

    def parse(self, response):

        # 提取页面中的所有的名言
        mingyanPage1 = response.css('div.quote')

        for mingyan in mingyanPage1:
            # 提取css中text标签对应的文字内容，名言的正文
            text = mingyan.css('.text::text').extract_first()
            # 提取作者
            author = mingyan.css('.author::text').extract_first()
            # 提取标签
            tags = mingyan.css('.tags .tag::text').extract()
            # 数组转换为字符串
            tags = ', '.join(tags)
            # 将爬去的内容存入文件，文件名为：编号. 作者-语录.txt
            filename =  '%s-语录.txt' %(author)
            # 以追加的方式写入文件，文件名相同（即作者相同），会写在同一个文件
            with open(filename, "a+") as f:
                f.write(text)
                f.write('\n')
                f.write('标签: ' + tags)
                f.write('\n---------------\n')
                f.close()

本章案例源代码及输出结果图片查看GITHUB：
https://github.com/FangbaiZhang/TLXY_study_note/tree/master/Spider

Python3网络爬虫教程19——分布式爬虫Scrapy实例（爬取多个页面）
https://blog.csdn.net/u011318077/article/details/86692733