Python 爬虫 之scrapy 框架

常用的命令

Scrapy是一个用于爬取网站数据的Python框架，以下是一些常用的Scrapy命令：

开始的时候 用 cd 进入你想创建scrapy 的文件夹 ，然后开始下面的操作

1. 创建新的Scrapy项目：

   scrapy startproject project_name
   

   这个命令会创建一个新的Scrapy项目，其中project_name是你为项目指定的名称。

2. 创建一个新的Spider：

   scrapy genspider spider_name website_url
   

   这个命令会生成一个新的Spider文件，你需要提供spider_name作为Spider的名称和website_url作为爬取的起始网址。

3. 运行Spider：

   scrapy crawl spider_name
   

   这个命令会启动指定的Spider，开始爬取数据。你需要将spider_name替换为你要运行的Spider的名称。

4. 导出爬取数据为JSON文件：

   scrapy crawl spider_name -o output.json
   

   这个命令会运行Spider并将爬取的数据导出为一个JSON文件。你可以将output.json替换为你想要的输出文件名和格式。

5. 导出爬取数据为CSV文件：

   scrapy crawl spider_name -o output.csv
   

   这个命令与上面的命令类似，不过它将数据导出为CSV格式。

6. 查看可用的Spider：

   scrapy list
   

   这个命令会列出项目中所有可用的Spider，你可以选择其中一个来运行。

7. 检查Spider的数据爬取情况：

   scrapy crawl spider_name --loglevel=INFO
   

   这个命令会以INFO级别的日志显示Spider的爬取情况，有助于调试和监视爬取过程。

8. 检查Spider的爬取速度和性能：

   scrapy crawl spider_name --profile=output.cprofile
   

   这个命令会生成性能分析文件，你可以使用工具来分析Spider的性能瓶颈。

开始爬虫

请求与响应

import scrapy


class ExampleSpider(scrapy.Spider):
    name = "example" #爬虫的名字（唯一）
    allowed_domains = ["ssr1.scrape.center"] # 限定的域名，可选
    start_urls = ["https://ssr1.scrape.center/"] #当前的域名

    def parse(self, response): 
    # 当在命令行运行scrapy crawl example 之后会发送请求，得到一个响应对象responce
        print(response.text)
        print(response.status)
        pass

让控制台只输出想要的信息

在你的settings 文件中加入

LOG_FILE = "爬虫名字.log"

这样，那些日志就只会存储在日志文件中，而不是在控制台中

创建一个py 文件来帮忙运行爬虫

在你的爬虫项目里创建一个py 文件

在你的run 文件中

from scrapy.cmdline import execute

execute(["scrapy","crawl","example"])
# 对应于你的运行scrapy crawl example
#这样你就可以直接运行run 文件来实现你的结果了

工作原理图

实战

网站https://ssr1.scrape.center/爬取电影名

import scrapy
from lxml import etree

class ExampleSpider(scrapy.Spider):
    name = "example" #爬虫名字
    allowed_domains = ["ssr1.scrape.center"] #限定的域名（可选）
    start_urls = ["https://ssr1.scrape.center/"]# 起始的域名

    def parse(self, response):
        html = etree.HTML(response.text)#对返回的html 文本进行解析
        allname = html.xpath(r'//h2[@class="m-b-sm"]/text()')# 寻找电影名字
        print(allname)
        pass

效果：