安裝scrapy
不同操作系統安裝操作不同,可以直接看官方文檔Install Scrapy
創建一個項目
在命令行輸入
scrapy startproject tutorial
進入項目目錄創建一個spider
cd tutorial
scrapy genspider quotes domain.com
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
def start_requests(self):
urls = [
'http://quotes.toscrape.com/page/1/',
'http://quotes.toscrape.com/page/2/',
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
page = response.url.split("/")[-2]
filename = 'quotes-%s.html' % page
with open(filename, 'wb') as f:
f.write(response.body)
self.log('Saved file %s' % filename)
運行scrapy,在項目頂級目錄下輸入命令
scrapy crawl quotes
在QuotesSpider這個類裏,name指明spider的名稱,在start_requests函數裏發出請求,用parse函數處理請求返回的結果,start_requests函數可以替換爲start_urls列表,scrapy會自動幫我們發出請求,並默認用parse函數處理,還可以設置一些其它參數,詳見Document
選擇器用法
scrapy內置css選擇器和xpath選擇器,當然你也可以選擇使用其他的解析庫,比如BeautifulSoup,我們簡單用scrapy shell展示一下scrapy內置選擇器的用法,在命令行中輸入
scrapy shell https://docs.scrapy.org/en/latest/_static/selectors-sample1.html
示例代碼
<html>
<head>
<base href='http://example.com/' />
<title>Example website</title>
</head>
<body>
<div id='images'>
<a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
<a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
<a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
<a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
<a href='image5.html'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
</div>
</body>
</html>
# 獲取標題
# selector可以去掉
# extract返回的是列表
response.selector.xpath('//title/text()').extract_first()
response.selector.css('title::text').extract_first()
# 獲取a標籤裏href參數內容
response.xpath('//a/@href').extract()
response.css('a::attr(href)').extract()
# 混合獲取img標籤的src屬性
response.xpath('//div[@id="images"]').css('img::attr(src)').extract()
# 獲取a標籤中包含image的href屬性
response.xpath('//a[contains(@href, "image")]/@href').extract()
response.css('a[href*=image]::attr(href)').extract()
# 使用正則表達式
response.css('a::text').re('Name\:(.*)')
response.css('a::text').re_first('Name\:(.*)')
# 添加default參數指定默認提取信息
response.css('aa').extract_first(default='')
Item Pipeline用法
通過parse處理函數返回的Item可以用Item Pipeline進行加工處理,主要是數據清洗,格式化。
# 過濾掉相同的item
class DuplicatePipeline(object):
def __init__(self):
self.items = set()
def process_item(self, item, spider):
if item['id'] in self.items:
raise DropItem('Duplicate item found: %s' % item['id'])
else:
self.items.add(item['id'])
return item
需要在settings裏的註冊一下自定義的Pipeline
ITEM_PIPELINES = {
'tutorial.pipelines.TutorialPipeline': 300,
'tutorial.pipelines.DuplicatePipeline': 200,
}
數字越小,優先級越高