Scrapy框架架构[2]

八戒你干嘛

完成的爬虫代码：

• 爬虫部分代码:
  1. import scrapy
     
  2. from abcspider.items import QsbkItem
     
  3. 
     
  4. class QsbkSpider(scrapy.Spider):
     
  5.      name = 'qsbk'
     
  6.      allowed_domains = ['qiushibaike.com']
     
  7.      start_urls = ['https://www.qiushibaike.com/text/']
     
  8. 
     
  9.      def parse(self, response):
     
  10.          outerbox = response.xpath("//div[@id='content-left']/div")
      
  11.          items = []
      
  12.          for box in outerbox:
      
  13.              author = box.xpath(".//div[contains(@class,'author')]//h2/text()").extract_first().strip()
      
  14.              content = box.xpath(".//div[@class='content']/span/text()").extract_first().strip()
      
  15.              item = QsbkItem()
      
  16.              item["author"] = author
      
  17.              item["content"] = content
      
  18.              items.append(item)
      
  19.          return items

  复制代码
  
  

2. items.py部分代码：

1. import scrapy
   
2. class QsbkItem(scrapy.Item):
   
3.      author = scrapy.Field()
   
4.      content = scrapy.Field()

复制代码

3. pipeline部分代码：

1. import json
   
2. 
   
3. class AbcspiderPipeline(object):
   
4.        def __init__(self):
   
5. 
   
6.       self.items = []
   
7. 
   
8.      def process_item(self, item, spider):
   
9.      self.items.append(dict(item))
   
10.      print("="*40)
    
11.      return item
    
12. 
    
13.      def close_spider(self,spider):
    
14.      with open('qsbk.json','w',encoding='utf-8') as fp:
    
15.            json.dump(self.items,fp,ensure_ascii=False)
    

复制代码

运行scrapy项目：运行scrapy项目。需要在终端，进入项目所在的路径，然后scrapy crawl [爬虫名字]即可运行指定的爬虫。如果不想每次都在命令行中运行，那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。比如现在新创建一个文件叫做start.py，然后在这个文件中填入以下代码：

1. from scrapy import cmdline
   
2. 
   
3. cmdline.execute("scrapy crawl qsbk".split())

复制代码

CrawlSpider在上一个糗事百科的爬虫案例中。我们是自己在解析完整个页面后获取下一页的url，然后重新发送一个请求。有时候我们想要这样做，只要满足某个条件的url，都给我进行爬取。那么这时候我们就可以通过CrawlSpider来帮我们完成了。CrawlSpider继承自Spider，只不过是在之前的基础之上增加了新的功能，可以定义爬取的url的规则，以后scrapy碰到满足条件的url都进行爬取，而不用手动的yield Request。
CrawlSpider爬虫：创建CrawlSpider爬虫：之前创建爬虫的方式是通过scrapy genspider [爬虫名字] [域名]的方式创建的。如果想要创建CrawlSpider爬虫，那么应该通过以下命令创建：

1. scrapy genspider -c crawl [爬虫名字] [域名]

复制代码

LinkExtractors链接提取器：使用LinkExtractors可以不用程序员自己提取想要的url，然后发送请求。这些工作都可以交给LinkExtractors，他会在所有爬的页面中找到满足规则的url，实现自动的爬取。以下对LinkExtractors类做一个简单的介绍：

1. 
   
2. class scrapy.linkextractors.LinkExtractor(
   
3.       allow = (),
   
4.       deny = (),
   
5.       allow_domains = (),
   
6.       deny_domains = (),
   
7.       deny_extensions = None,
   
8.       restrict_xpaths = (),
   
9.       tags = ('a','area'),
   
10.       attrs = ('href'),
    
11.       canonicalize = True,
    
12.       unique = True,
    
13.       process_value = None
    
14. )

复制代码

主要参数讲解：

• allow：允许的url。所有满足这个正则表达式的url都会被提取。
• deny：禁止的url。所有满足这个正则表达式的url都不会被提取。
• allow_domains：允许的域名。只有在这个里面指定的域名的url才会被提取。
• deny_domains：禁止的域名。所有在这个里面指定的域名的url都不会被提取。
• restrict_xpaths：严格的xpath。和allow共同过滤链接。
  

Miss_love

支持分享