爬虫基础使用
爬虫基础
@人间
前言
提示：这里可以添加本文要记录的大概内容：
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。
一、爬虫是什么？
概念：爬虫是指请求网站并获取数据的自动化程序，又称网页蜘蛛或网络机器，最常用领域是搜索引擎，它的基本流程是明确需求-发送请求-获取数据-解析数据-存储数据。
学习内容：
爬虫的基本使用
1、 创建项目文件
2、 创建爬虫
3、 分析网页标签
4、 爬取需要信息
5、写入text
二、使用步骤
1.创建爬虫项目文件
代码如下（示例）：
scrapy start project 项目名
例如： scrapy start xiaoshuo
2.创建爬虫
代码如下（示例）：
scrapy genspider 爬虫名称 要爬取的网页
例如： scrapy genspider xiaoshuop book.douban.com
注意： 爬虫名称和项目名称不能一致,创建爬虫的时候需"cd"到项目 目录
总结
提示：单词字母需区分大小写
欢迎使用Scrapy爬虫
你好！ 这是你第一次使用 Scrapy 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。
查看命令
如果忘记代码命令，直接输入scrapy就会弹出对应的代码提示
在项目目录下的命令提示为：
在爬虫目录下的命令提示为：
随后我们进入pycharm
1.找到 xiaoshuo.py 文件，我们主要在这个文件里面书写爬取代码。
2.双击打开 xiaoshuo.py 并将文件将想爬取的网页的 url 地址复制粘贴到 ③ 里面。。
①爬虫名字。
②限定爬虫爬取的范围。
③爬取的网页 url 地址 ；这里是有多个页面 用了正则表达式。
3.打开settings.py 文件。
①"君子协议"这里直接Flase就行了
②将名为DEFAULT_REQUEST_HEADERS取消掉注释
③去浏览器找到名为 NetWork 下面的 Headrs 再寻找 User-Agent 之后写入DEFAULT_REQUEST_HEADERS。
④写入安全等级过滤语句：LOG_LEVEL = “WARNING” 然后继续往下找到 ITEM_PIPELINES 并取消掉注释。
4.再次进入 xiaoshuo.py 文件，我们开始书写爬取代码。
①实列化 response 并用 .xpath 方法 和 itme{} 字典接收值，先选择大的内容，再用 for 循环遍历。
item = {}
head_hq = response.xpath('选择标签')
例如
item = {}
head_hq = response.xpath('//ul//li')
for need_hq in head_hq:
book_name = need_hq.xpath('.//div[2]//h2//a//text()').get()
book_from = need_hq.xpath('.//div[2]//div[1]//text()').get()
book_defen = need_hq.xpath('.//div[2]//span[2]//text()').get()
book_defen_number = need_hq.xpath('.//div[2]//span[3]//text()').get()
book_jianjie = need_hq.xpath('.//div[2]//p//text()').get()
if book_name != None and book_from !=None:
str = "\n| "
item['小说名： '] = re.sub(str, '', book_name)
item['小说来源： '] = re.sub(str, '', book_from)
item['小说评分： '] = re.sub(str, '', book_defen)
item['小说评价人数： '] = re.sub(str, '', book_defen_number)
item['小说简介：'] = re.sub(str, '', book_jianjie)
list_item = list(item.values())
list_item_1 = {}
list_item_1["0"] = list_item
# print(list_item)
# print(list_item_1)
# print(type(list_item_1))
yield list_item_1
注意：再传递值的值时候只能传入 字典 。
5.进入pipelines 文件，进行将爬取到的数据写入文档操作。
① 注意 list_item_1 变量名要和之前 yield {} 过来的变量名一样。
class XiaoshuoPipeline:
def process_item(self, list_item_1, spider):
return list_item_1
x = list_item_1["0"]
xx = "\t".join(x) + "\n"
③ 进行字符串 with open() 操作和 writ() 操作。
with open("3.text", "r+", encoding="utf-8") as wenjian:
print(xx)
wenjian.write(xx)
总结
提示：这里对文章进行总结：