Python爬虫---Scrapy项目的创建及运行

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖
掘，信息处理或存储历史数据等一系列的程序中。

1. 安装scrapy：

pip install scrapy

注意：需要安装在python解释器相同的位置,例如：D:\Program Files\Python3.11.4\Scripts

若安装时报错缺少twisted，解决方法：安装twisted合适的版本  twisted下载路径

下载 twisted后，安装twisted：pip install twisted路径

 查看python版本：终端输入python

若报错win32错误，解决方法：pip install pypiwin32

若是仍然报错，可安装anaconda，若使用anaconda，pycharm里的解释器也需要换成anaconda的的路径  Anaconda 安装

（注意：安装anaconda时，安装路径下不能有任何文件，否则可能会导致不能用  ）

2.  使用scrapy创建项目：

scrapy startproject 项目名字         （项目名字不能用数字开头，不能包含中文）

项目结构：
spiders
    init_.py
    自定义的爬虫文件.py   ---》由我们自己创建，是实现爬虫核心功能的文件
init__.py
items.py          ---》定义数据结构的地方（爬取的数据有哪些），是一个继承自                scrapy.Item的类
middlewares.py    ---》中间件 代理
pipelines.py      ---》管道文件，里面只有一个类，用于处理下载数据的，后续处理默认是300优先级，值越小优先级越高 (1-10)
settings.py       ---》配置文件 比如: 是否遵守robots协议，user-Agent定义等

3.  创建爬虫文件

在spiders下创建，进入spiders目录： cd .\项目名字\项目名字\spiders

 scripy genspider 爬虫文件的名字  要爬取的网页       （一般情况下不需要添加http协议）

 

4.  运行爬虫程序 

scrapy crawl 爬虫的名字     （名字为程序中的name）

 

 例子：

# spider下的爬虫文件
import scrapy


class TongchengSpider(scrapy.Spider):
    name = "tongcheng"
    allowed_domains = ["https://sz.58.com/sou/?key=%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91&classpolicy=classify_E%2Cuuid_YZWJGz6dw5SYe54A6jYeyfiY5J4TPdc8&search_uuid=YZWJGz6dw5SYe54A6jYeyfiY5J4TPdc8&search_type=input"]
    start_urls = ["https://sz.58.com/sou/?key=%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91&classpolicy=classify_E%2Cuuid_YZWJGz6dw5SYe54A6jYeyfiY5J4TPdc8&search_uuid=YZWJGz6dw5SYe54A6jYeyfiY5J4TPdc8&search_type=input"]

    def parse(self, response):
        print("学习scrapy")
        content = response.text   # 获取的是响应的字符串
        content1 = response.body  # 获取的是二进制数据
        # span = response.xpath("xpath语法")  # 可以直接是xpath方法来解析response中的内容
        span = response.xpath('//div[@id="filter"]/div[@class="tabs"]/a/span')[0]  # xpath
        print("=================================================================")
        print(span.extract())   # 提取seletor对象的data的属性值
        print(span.extract_first())  # 提取的seletor列表的第一个数据