Scrapy基本用法

时间 2019-11-09

标签 scrapy 基本用法栏目 Python 繁體版

原文原文链接

安装scrapy

不一样操做系统安装操做不一样，能够直接看官方文档Install Scrapycss

建立一个项目

在命令行输入html

scrapy startproject tutorial

进入项目目录建立一个spiderpython

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)

运行scrapy，在项目顶级目录下输入命令web

scrapy crawl quotes

在QuotesSpider这个类里，name指明spider的名称，在start_requests函数里发出请求，用parse函数处理请求返回的结果，start_requests函数能够替换为start_urls列表，scrapy会自动帮咱们发出请求，并默认用parse函数处理，还能够设置一些其它参数，详见Document正则表达式

选择器用法

scrapy内置css选择器和xpath选择器，固然你也能够选择使用其余的解析库，好比BeautifulSoup，咱们简单用scrapy shell展现一下scrapy内置选择器的用法，在命令行中输入shell

scrapy shell https://docs.scrapy.org/en/latest/_static/selectors-sample1.html

示例代码dom

<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>

# 获取标题
# selector能够去掉
# extract返回的是列表
response.selector.xpath('//title/text()').extract_first()
response.selector.css('title::text').extract_first()

# 获取a标签里href参数内容
response.xpath('//a/@href').extract()
response.css('a::attr(href)').extract()

# 混合获取img标签的src属性
response.xpath('//div[@id="images"]').css('img::attr(src)').extract()

# 获取a标签中包含image的href属性
response.xpath('//a[contains(@href, "image")]/@href').extract()
response.css('a[href*=image]::attr(href)').extract()

# 使用正则表达式
response.css('a::text').re('Name\:(.*)')
response.css('a::text').re_first('Name\:(.*)')

# 添加default参数指定默认提取信息
response.css('aa').extract_first(default='')

Item Pipeline用法

经过parse处理函数返回的Item能够用Item Pipeline进行加工处理，主要是数据清洗，格式化。scrapy

# 过滤掉相同的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

须要在settings里的注册一下自定义的Pipelineide

ITEM_PIPELINES = {
     'tutorial.pipelines.TutorialPipeline': 300,
     'tutorial.pipelines.DuplicatePipeline': 200,
}

数字越小，优先级越高函数