[[374565]]

前言

這次咱們來玩一個在Python中很牛叉的爬蟲框架——Scrapy。

scrapy 介紹

標準介紹

• Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架，非常出名，非常強悍。所謂的框架就是一個已經被集成了各種功能(高性能異步下載，隊列，分布式，解析，持久化等)的具有很強通用性的項目模板。對于框架的學習，重點是要學習其框架的特性、各個功能的用法即可。

說人話就是

• 只要是搞爬蟲的,用這個就van事了,因為里面集成了一些很棒的工具,并且爬取性能很高,預留有很多鉤子方便擴展,實在是居家爬蟲的不二之選。

windows下安裝scrapy

命令

pip install scrapy 

默認情況下,直接pip install scrapy可能會失敗,如果沒有換源,加上臨時源安裝試試,這里使用的是清華源，常見安裝問題可以參考這個文章：Windows下安裝Scrapy方法及常見安裝問題總結——Scrapy安裝教程。

命令

pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple 

scrapy創建爬蟲項目

命令

scrapy startproject <項目名稱> 

示例:創建一個糗事百科的爬蟲項目(記得cd到一個干凈的目錄哈)

scrapy startproject qiushibaike 

 

注:此時,我們已經創建好了一個爬蟲項目,但是爬蟲項目是一個文件夾

 

進入爬蟲項目

如果想要進入這個項目,就要cd進這個目錄,如上上圖所示,先cd <項目>,再創建蜘蛛

項目目錄結構解析

此時,我們就已經進入了項目,結構如下,有一個和項目名同名的文件夾和一個scrapy.cfg文件

scrapy.cfg # scrapy配置,特殊情況使用此配置 
qiushibaike # 項目名同名的文件夾 
    items.py # 數據存儲模板,定制要保存的字段 
    middlewares.py # 爬蟲中間件 
    pipelines.py # 編寫數據持久化代碼 
    settings.py # 配置文件,例如:控制爬取速度,多大并發量,等 
    __init__.py 
    spiders # 爬蟲目錄,一個個爬蟲文件,編寫數據解析代碼 
        __init__.py 

呃,可能此時你并不能懂這么些目錄什么意思,不過不要慌,使用一下可能就懂了,別慌。

創建蜘蛛

通過上述的操作,假設你已經成功的安裝好了scrapy,并且進入了創建的項目

那么,我們就創建一個蜘蛛,對糗事百科的段子進行爬取。

創建蜘蛛命令

scrapy genspider <蜘蛛名稱> <網頁的起始url> 

示例:創建糗事百科的段子蜘蛛

scrapy genspider duanzi ww.com 

 

注:網頁的起始url可以隨便寫,可以隨便改,但是必須有

此時在spider文件夾下,會多一個duanzi.py文件

代碼解釋如下

 

爬取數據前準備

創建好蜘蛛之后,需要在配置一些東西的,不能直接就爬的,默認是爬取不了的,需要簡單配置一下

打開settings.py文件,找到ROBOTSTXT_OBEY和USER_AGENT變量

ROBOTSTXT_OBEY配置

等于False不遵守robot協議,默認只有搜索引擎網站才會允許爬取,例如百度,必應等,個人爬取需要忽略這個,否則爬取不了

 

USER_AGENT配置

User-Agent是一個最基本的請求必須帶的參數,如果這個帶的不是正常的,必定爬取不了。

User-Agent

Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36 

 

小試牛刀之獲取糗事百科段子段子鏈接

準備工作做好了，那就開始吧!!!

此處我們需要有xpath的語法基礎,其實挺簡單的,沒有基礎的記得百度一下,其實不百度也沒關系,跟著學,大概能看懂

實現功能

通過xpath獲取每個段子下的a標簽連接

注:審查元素和按住crtl+f搜索內容和寫xpath這里不再啰嗦

分析頁面規則

 

通過審查工具,我們可以看到,class包含article的標簽就是一個個的文章,可能你想到xpath可能可以這樣寫

xpath代碼

//div[@class='article'] 

但是你會發現一個都查不出來,因為是包含的關系,所以需要用contains關鍵字

我們需要這樣寫

xpath代碼

//div[contains(@class,"article")] 

 

但是會發現,這定位的太多了,并不是每個段子的div,所以我們要多包含幾個,這樣,就是每個段子的div了

//div[contains(@class,"article") and contains(@class,"block")] 

 

上述已經成功定位了一個個的段子,下面在此基礎上,定位到每個段子下的a標簽

根據審查元素,發現每個段子下class="contentHerf"的a標簽,就是每個段子的詳情頁

詳情頁,要定位的a標簽的href確實是詳情頁的url

xpath代碼

//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"] 

 

這樣,我們就定位了一個個a標簽,只至少在控制臺操作是沒問題的,那么,我們使用Python代碼操作一下吧

代碼

def parse(self, response): 
    a_href_list = response.xpath('//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]/@href' 
    ).extract() 
    print(a_href_list) 

啟動蜘蛛命令

scrapy crawl <爬蟲名> [--nolog] 

注:--nolog參數不加表示一系列日志,一般用于調試,加此參數表示只輸入print內容

示例:啟動段子命令

scrapy crawl duanzi --nolog 

 

成功拿到每一個鏈接。

獲取詳情頁內容

在上述,我們成功的獲取到了每個段子的鏈接,但是會發現有的段子是不全的,需要進入進入詳情頁才能看到所以段子內容，那我們就使用爬蟲來操作一下吧。

我們定義一下標題和內容。

 

根據元素審查，標題的定位xpath是：

//h1[@class="article-title"] 

 

內容的xpath是：

//div[@class="content"] 

 

確定標題和內容的xpath定位之后,我們在python代碼中實現一下。

注：但是先解決一個問題,詳情頁屬于第二次調用了,所以我們也需要進行調用第二次,再編寫代碼

代碼

# 詳情頁 
def detail(self, response): 
    title = response.xpath('//h1[@class="article-title"]/text()').extract() 
    content = response.xpath('//div[@class="content"]//text()').extract() 
    print("標題:" ) 
    print(title) 
    print("內容") 
    print(content) 
 
def parse(self, response): 
    a_href_list = response.xpath( 
        '//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]/@href' 
    ).extract() 
    print(a_href_list) 
    base_url = "https://www.qiushibaike.com" 
    for a_href in a_href_list: 
        url = f"{base_url}{a_href}" 
        yield scrapy.Request(url=url, callback=self.detail) 

結果

但是會發現啊，似乎每個都是列表形式，這似乎不太行吶，我們稍微修改一下代碼，這樣我們拿到的就是正常的文本了，如下圖所示：

上述命令總結

創建爬蟲項目

scrapy startproject <項目名稱> 

創建蜘蛛

scrapy genspider <蜘蛛名稱> <網頁的起始url> 

啟動爬蟲,--nolog參數不加表示一系列日志,一般用于調試,加此參數表示只輸入print內容

scrapy crawl <爬蟲名> [--nolog] 

結尾

經過入門級的操作，我相信你大概知道scrapy是怎么玩了。但是你依然可能懵逼，不懂本質，不過先走起來，才是根本，后續慢慢聽我繼續。

用微笑告訴別人，今天的我比昨天強，今后也一樣。