2018-07-12

一、scrapy 创建项目

scrapy startproject first 创建项目
cd first
scrapy genspider chouti dig.chouti.com 创建爬虫文件

scrapy crawl chouti --nolog 执行爬虫,忽略日志

windows打印中文出错解决方式（开头加上）：
sys.stdout=io.TextIOWrapper(sys.stdout.buffer, encoding='gb18030')

代替bs4的内部解析器：

1. response.xpath
2. from scrapy.selector import HtmlXPathSelector
   xph = HtmlXPathSelector()

spider爬取数据,parse返回 yield items
items相当于model,定义字段
pipline 做持久化，需要在配置文件注册

pipline

from_crawler(cls, crawler) 优先执行，可用来取配置信息

path = crawler.settings.get("PATH") # 配置文件必须大写
return cls(path)

init(self, path) 初始化
self.path = path
open_spider(self, spider) pipline开始前执行
close_spider(self, spider) pipline结束后执行

二级下载

from scrapy.http import Request
yield Request(url=page_url, callback=self.parse, meta={'cookiejar': True})

丢弃item,不传递给下一个pipline的process_item

from scrapy.exceptions import DropItem
raise DropItem()

拿cookies的方式

1. response.headers.getlist("Set-cookie")

2. from scrapy.http.cookies import cookie_jar
   cookie_jar = CookieJar()
   cookie_jar.extract_cookies(response, response.request)
   cookie_jar._cookies.items()

3. scrapy 自动操作
   meta={'cookiejar': True}

去重

配置文件：DUPEFILTER_CLASS = 'scrapy.dumpfilter.MyDupeFilter'

取url唯一值：
from scrapy.util.request import request_fingerprint
unique = request_fingerprint(url)

USER_AGENT：配置文件可配置