python之scrapy框架基础搭建

1、建立工程

#在命令行输入
scrapy startproject xxx　　#建立项目

2、写item文件

#写须要爬取的字段名称
name = scrapy.Field()　　#例

3、进入spiders写爬虫文件

①直接写爬虫文件本身手动命名
        新建一个.py文件便可
②经过命令方式建立爬虫文件
        scrapy gensipder yyy "xxx.com" 
        命名不能于工程名相同，爬取的域名区域

4、写爬虫文件

start_urls    #爬虫第一次执行时爬取的网址域
初始换模型对象
iteam = TencentItem()    #将iteam文件引入
iteam['xxx']= each.xpath("./td[1]/a/text()").extract()[0]    
#xpath返回选择性的列表，extract将其转换成字符串，再取出列表中的第一个字符。
yield iteam    #放到管道文件
#因为爬取的页面不止一页，因此须要调用请求回调函数。
#将请求从新发送给调度器入队列，出队列，交给下载器下载
#每次处理完一页的页面请求后，发送下一页的页面请求
yield scrapy.Request(url, callback = self.parse)    
#函数名parse,有请求才会触发回调函数，yield发送到调度器 
//写在每次循环执行完的外面。

5、写管道文件

首先定义初始化方法
        def __init__(self):
            self.filename=open("xxx", "w")
    def process_item(self, iteam, spider):
        dict(iteam)    #字典转换成python的格式
        json.dumps(dict(iteam), ensure_ascii = False) + "\n"    #转换成json格式
        self.filename.write(text.encode("utf-8"))    #若是出现没法写入问题，要加上.encode("utf-8")
        return iteam
    关闭文件
        def close_spider(self, spider):
            self.filename.close()

6、配置settings文件
    找到ITEM_PIPELINES配置项，配置到管道文件

7、设置请求报头
    在settings文件中找到DEFAULT_REQUEST_HEADERS配置

8、运行程序

scrapy crawl 文件名

crawlspider建立应用改写

1、建立工程

scrapy gensipder -t crawl tencent tencent.com
    #导入crawlspider类和rule规则
    #from scrapy.spider import CrawlSpider, Rule
    #导入连接规则匹配类，用来提取符合规则的连接
    #from scrapy.linkextractors import LinkExtractor
    #from TencentSpider.items import TencentItem
    class TencentSpider(CrawlSpider):    #继承CrawlSpider类
        name = "xxx"    #爬虫名
        allow_domains = []    #控制爬虫的爬取域
        start_urls = []
        #正则匹配规则，Response里页面信息中符合规则的数据
        pagelink = LinkExtractor(allow=("start=\d+"))
        #批量调用请求方法
        rules = [
            #pagelink=url, 跟进连接调用方法，是否跟进连接True
            Rule(pagelink, callback = "parseTencent", follow = True)
        ]
    
斗鱼
    将json格式转换成python格式，data段是列表
    data = json.loads(response.text['data']