scrapy学习笔记(1)

2023-02-03 08:29:48

初探scrapy，发现很多入门教程对应的网址都失效或者改变布局了，走了很多弯路。于是自己摸索做一个笔记。

环境是win10 python3.6(anaconda)。

安装

pip install scrapy

由于是第一次尝试，这次爬取美剧天堂（http://www.meijutt.com/）以下模块的剧名：

1.创建工程

scrapy startproject movie

2.编辑items.py，设置数据存储模版

# -*- coding: utf-8 -*-

# Define here the models for your scraped items

#

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class MovieItem(scrapy.Item):

    # define the fields for your item here like:

    name = scrapy.Field()

3.查看网页源代码，在spiders目录下创建爬虫文件meiju.py，如下：

# -*- coding: utf-8 -*-

import scrapy

from movie.items import MovieItem

class MeijuSpider(scrapy.Spider):

    name = "meiju"

    allowed_domains = ["meijutt.com"]

    start_urls = ['http://meijutt.com/']

    def parse(self, response):

        movies=response.xpath('//div[@class="c1_l_wap_contact"]/ul/li')

        for each_movie in movies:

            item=MovieItem()

            item['name']=each_movie.xpath('./a/@title').extract()[0]

            yield item

在parse函数中取文档中（//为选择匹配的节点，不考虑位置；/为选择根目录下的节点）属性为c1_l_wap_condact的div标签下的ul标签中的li标签。对每个元素选取a标签中的title属性。返回list格式，取第一个元素。（xpath语法参见 http://www.w3school.com.cn/xpath/xpath_syntax.asp）

yield函数的作用：“函数中使用yield，可以使函数变成生成器。一个函数如果是生成一个数组，就必须把数据存储在内存中，如果使用生成器，则在调用的时候才生成数据，可以节省内存。 ”

4.settings.py中增加以下内容，激活item pipeline组件：

ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}

这里的整数值决定pipelines运行的先后顺序，小的先运行，大的后运行。整数值通常设置在0-1000之间。

为了避免莫名奇妙的报错，暂时设置ROBOTSTXT_OBEY = False。以后会尽量遵守君子协定吧。。

5.编辑pipelines.py

# -*- coding: utf-8 -*-

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

class MoviePipeline(object):

    def process_item(self, item, spider):

        with open("my_meiju.txt",'ab+') as fp:

            fp.write(item['name'].encode('utf-8')+'\n'.encode('utf-8'))

        return item

为了写入中文并且每次写入新的一行而不要覆盖，使用'ab+'。'\n'也要转为utf8格式。

6.执行爬虫（在movie目录下）

scrapy crawl meiju

生成的txt文件会出现在目录下了。内容如下：

抵押第一季

沉默的天使第一季

此时此刻第一季

黑道无边第一季

芝加哥故事第一季

相对宇宙第一季

不列颠尼亚第一季

一起单身第一季

今天先探秘到这里~

码农公寓

相关文章