说明：
本文主要学习Scrapy框架入门，介绍如何使用Scrapy框架爬取页面信息。
项目案例：爬取腾讯招聘页面 https://hr.tencent.com/position.php?&start=
开发环境：win10、Python3.5、Scrapy1.5
一、安装
》pip install scrapy
//如果安装不成功，可以参考 https://blog.csdn.net/dapenghehe/article/details/51548079
//或下载安装twisted
二、创建项目（scrapy startproject）
1、在开始爬取之前，必须创建一个新的Scrapy项目。进入相应目录，运行下列命令（tencent为项目名称）：
》scrapy startproject tencentSpider
2、进入项目目录（tencentSpider）
项目目录结构如下：
scrapy.cfg：项目的配置文件。
tencentSpider/：项目的Python模块，将会从这里引用代码。
tencentSpider/spiders/：存储爬虫代码目录（爬虫文件主要在此编辑）。
tencentSpider/items.py：项目的目标文件。
tencentSpider/middlewares.py：项目中间件。
tencentSpider/pipelines.py：项目管道文件。
tencentSpider/setting：项目的设置文件。
到此，项目基本创建完成，接下来就是编写爬虫代码了。
三、明确目标（tencentSpider/items.py）
明确需要爬取的网址以及需要的信息，在 items.py 中定义需要爬取的信息字段。
本项目主要爬取：https://hr.tencent.com/position.php?&start= 网站里的职称、详情地址、类别、人数、地点和发布时间。
1、打开 tencentSpider 目录下的 items.py。
2、Item 定义结构化数据字段，用来保存爬取到的数据，类似于Python的字典，但是提供一些额外的的保护减少错误。
3、可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。
4、接下来，创建一个 TencentspiderItem 类，和构建item模型（model）。
items.py代码如下：
# -*- coding: utf-8 -*- # Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html import scrapy class TencentspiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field() # 职称
title = scrapy.Field()
# 详情地址
link = scrapy.Field()
# 类别
cate = scrapy.Field()
# 人数
num = scrapy.Field()
# 地点
address = scrapy.Field()
# 发布时间
date = scrapy.Field()
四、制作爬虫（spiders/tencentSpider.py）
1、爬取数据
① 在 与 scrapy.cfg 同级目录下执行如下命令，将会在 tencentSpider/spiders 目录下创建一个名为 tencent 的爬虫，并制定爬取的域范围（或手动创建文件，基本代码格式如下所示）：
》scrapy genspider tencent "hr.tencent.com"
② 打开 tencentSpider/spiders 目录下的 tencent.py ，默认的代码如下：
# -*- coding: utf-8 -*-
import scrapy class TencentSpider(scrapy.Spider):
name = 'tencent'
allowed_domains = ['hr.tencent.com']
start_urls = ['http://hr.tencent.com/'] def parse(self, response):
pass
③ 编写爬虫文件，基本思路：构造分页url，解析内容（xpath），管道文件处理：
# -*- coding: utf-8 -*-
import scrapy
from tencentSpider.items import TencentspiderItem class TencentSpider(scrapy.Spider):
# 爬虫的名字
name = 'tencent'
allowed_domains = ["hr.tencent.com"] # 拼接 URL
url = "https://hr.tencent.com/position.php?&start="
offset = 0 # 首次爬取入口URL
start_urls = [url + str(offset)] def parse(self, response):
info_ls = response.xpath('//tr[contains(@class, "odd")] | //tr[contains(@class, "even")]') # 原始地址
origin_url = "https://hr.tencent.com/" for each in info_ls:
# 初始化模型对象
item = TencentspiderItem() # 职称
title = each.xpath("./td/a/text()")[0].extract()
# 详情地址
link = origin_url + each.xpath("./td/a/@href")[0].extract()
# 职位分类
cate = each.xpath('./td[2]/text()')[0].extract()
# 人数
num = each.xpath('./td[3]/text()')[0].extract()
# 所在地址
address = each.xpath('./td[4]/text()')[0].extract()
# 发布时间
date = each.xpath('./td[5]/text()')[0].extract() item['title'] = title
item['link'] = link
item['cate'] = cate
item['num'] = num
item['address'] = address
item['date'] = date # 交给管道 pipelines 处理
yield item # 循环遍历分页,这里只爬取 100 条
if self.offset < 100:
self.offset += 10 # 每次处理完一页的数据之后， 重新发送下一页的页面请求
yield scrapy.Request(self.url + str(self.offset), callback=self.parse)
else:
print("[ALL_END:爬虫结束]")
④ 修改配置文件（settings.py），部分:
需要修改的主要有如下三处：
# 是否遵守 robot 协议，本项目为False
ROBOTSTXT_OBEY = False # 请求头
DEFAULT_REQUEST_HEADERS = {
'User-Agent': 'Mozilla/5.0 (compatible; MSIE 9.0; Window NT 6.1; Trident/5.0;)',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
# 'Accept-Language': 'en',
} # 配置管道文件
ITEM_PIPELINES = {
'tencentSpider.pipelines.TencentspiderPipeline': 300,
}
⑤ 编写管道文件 pipelines.py：
这里的管道文件主要把数据以json格式保存在文件中：
# -*- coding: utf-8 -*- # Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json class TencentspiderPipeline(object):
def __init__(self):
self.save_path = open("res_info.json", "w", encoding="utf8")
self.save_path.write("[") def process_item(self, item, spider):
# 处理每页的数据，并写入文件
json_text = json.dumps(dict(item), ensure_ascii=False) + ", \n"
self.save_path.write(json_text) return item def close_spider(self, spider):
self.save_path.write("{}]")
self.save_path.close()
⑥ 运行爬虫：
》scrapy crawl tencent
⑦ 查看结果，打开数据文件 res_info.json：