Python中Scrapy框架的入门教程分享

Fawn ·

更新时间:2024-11-13

· 1796 次阅读

前言

安装Scrapy

创建一个Scrapy项目

创建一个爬虫

运行爬虫

结论

前言

Scrapy是一个基于Python的Web爬虫框架，可以快速方便地从互联网上获取数据并进行处理。它的设计思想是基于Twisted异步网络框架，可以同时处理多个请求，并且可以使用多种处理数据的方式，如提取数据、存储数据等。

本教程将介绍如何使用Scrapy框架来编写一个简单的爬虫，从而让您了解Scrapy框架的基本使用方法。

安装Scrapy

首先，您需要在您的计算机上安装Scrapy框架。您可以使用以下命令来安装：

pip install scrapy

创建一个Scrapy项目

在安装完Scrapy后，您可以使用以下命令来创建一个Scrapy项目：

scrapy startproject <project_name>

其中，<project_name>是您的项目名称，可以自定义。执行该命令后，Scrapy将在当前目录下创建一个新的文件夹，文件夹名称为您指定的项目名称。

在创建项目后，您将看到以下文件和文件夹：

project_name/
scrapy.cfg
project_name/
__init__.py
items.py
middlewares.py
pipelines.py
settings.py
spiders/
__init__.py

scrapy.cfg：Scrapy项目的配置文件。

project_name/：项目的Python模块，您将编写大部分的代码在这里。

project_name/items.py：用于定义您要提取的数据项（即所谓的item）的Python模块。

project_name/middlewares.py：中间件，用于修改请求和响应，以及进行其他处理。

project_name/pipelines.py：用于定义数据的处理方式，如存储到数据库、输出到文件等。

project_name/settings.py：用于存储Scrapy项目的各种配置信息。

project_name/spiders/：用于存储您编写的爬虫代码的目录。

创建一个爬虫

接下来，我们将创建一个爬虫。您可以使用以下命令来创建一个爬虫：

cd project_name
scrapy genspider <spider_name> <start_url>

其中，<spider_name>是您的爬虫名称，<start_url>是您的爬虫开始爬取的URL。执行该命令后，Scrapy将在project_name/spiders/目录下创建一个新的Python文件，文件名称为您指定的爬虫名称。

在创建爬虫后，您将看到以下Python文件：

import scrapy
class SpiderNameSpider(scrapy.Spider):
    name = 'spider_name'
    allowed_domains = ['domain.com']
    start_urls = ['http://www.domain.com/']
    def parse(self, response):
        pass

allowed_domains：可选项，用于限制爬取的域名。

start_urls：起始URL列表，爬虫将从这些URL开始爬取。

parse：爬虫的默认回调函数，用于处理响应并提取数据。

name：爬虫的名称

例如，以下是一个简单的爬虫，用于从一个网站上提取文章的标题和链接：

import scrapy
class MySpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['example.com']
    start_urls = ['http://www.example.com/articles']
    def parse(self, response):
        for article in response.css('div.article'):
            yield {
                'title': article.css('a.title::text').get(),
                'link': article.css('a.title::attr(href)').get()
            }
        next_page = response.css('a.next::attr(href)').get()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

在该爬虫中，我们使用了response.css方法来提取数据。具体来说，我们使用了response.css('div.article')来选取所有包含文章的div元素，然后使用了article.css('a.title::text')和article.css('a.title::attr(href)')来提取文章的标题和链接。

此外，我们还使用了response.follow方法来跟踪下一页的链接。如果该链接存在，则我们会调用self.parse方法来处理下一页的响应。

当然您也可以用不同的方法来定位元素，比如xpath等

运行爬虫

当您完成了爬虫的编写后，您可以使用以下命令来运行爬虫：