Python爬虫_Scrapy(一)

一、Scrapy简述

是为了爬取网站数据，提取结构性数据而编写的应用框架，可应用在包括数据挖掘、信息处理或存储历史数据等一系列程序中

（一）安装

pip install scrapy -i https://pypi.douban.com/simple

报错：

WARNING: You are using pip version 21.3.1; however, version 22.1.2 is available.
You should consider upgrading via the 'D:\PythonCode\venv\Scripts\python.exe -m pip install --upgrade pip' command.

解决办法:运行python -m pip install --upgrade pip
（二）基本使用

1. 创建爬虫项目：scrapy startproject scrapy_baidu_01
   注意：
   （1）必须要进入到安装有scrapy.exe文件夹中才可运行；
   （2）创建的爬虫项目名字不允许用数字开头，也不能包含中文
   （3）务必配置scrapy.exe的环境变量，同时重启电脑在运行D:\P ythonCode\venv\Scripts
2. 创建爬虫文件 在spider文件夹中去创建 D:\PythonCode\venv\Scripts\scrapy_baidu_01\scrapy_baidu_01\spiders>
   创建指令：scrapy genspider 爬虫文件名字 要爬取的网页
3. 运行爬虫代码scrapy crawl 爬虫的名字名字是[name = ‘baidu’]

 import scrapy
class BaiduSpider(scrapy.Spider):
    # 爬虫的名字，使用的值
    name = 'baidu'
    # 允许访问的域名
    allowed_domains = ['www.baidu.com']
    # 起始的url地址 第一次要访问的域名
    # start_urls实在allowed_domains的前面添加一个http://,在后面添加了/
    start_urls = ['http://www.baidu.com/']
    # 执行了start_urls之后执行的方法，方法中的response是返回的对象，相当于
    # response = urllib.request.urlopen()
    # response = requests.get()
    def parse(self, response):
        print('ssssss')

二、58同城项目案例

1. scrapy项目的结构

2. response的属性和方法
response.text获取的是响应的字符串
response.body获取二进制数据
response.xpath可以直接使用xpath方法来解析response中的内容
response.extract() 用于提取seletor对象中的data属性值
response.extract_first() 提取seletor列表的第一个数据

三、汽车之家案例

import scrapy
class CarSpider(scrapy.Spider):
    name = 'car'
    allowed_domains = ['car.autohome.com.cn/price/brand-15.html']
    start_urls = ['https://car.autohome.com.cn/price/brand-15.html']

    def parse(self, response):
        name_list = response.xpath('//div[@class="main-title"]/a/text()')
        price_list = response.xpath('//div[@class="main-lever"]//span/span/text()')
        for i in range(len(name_list)):
            name = name_list[i].extract()
            price = price_list[i].extract()
            price(name,price)

scrapy工作原理【灰常重要！！】

1. 引擎向spiders请求url；
2. 引擎将请求得到的url传递给调度器
3. 调度器将url生成的请求对象放入指定的队列中
4. 从队列中出队一个请求
5. 引擎将请求交给下载器进行处理
6. 下载器发送请求获取互联网数据
7. 下载器将数据返回给引擎
8. 引擎将数据再次交给spiders
9. spiders通过xpath解析该数据，得到数据或者url
10. spiders将解析结果交给引擎
11. 若解析结果是数据，则交给管道处理；若解析结果是url，则交给调度器进入下一次循环。

四、scrapy shell

直接输入指令：scrapy shell www.baidu.com