【Scrapy】简单项目实战--爬取dangdang图书信息

目录

一、基本步骤

1、新建项目 ：新建一个新的爬虫项目

2、明确目标 （items.py）：明确你想要抓取的目标

 3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

 4、存储内容 （pipelines.py）：设计管道存储爬取内容

 5、运行爬虫

二、实战：爬取当当图书 

---

接下来介绍一个简单的项目，完成一遍 Scrapy 抓取流程。

一、基本步骤

1、新建项目 ：新建一个新的爬虫项目

1 创建一个scrapy项目
scrapy startproject mySpider（文件夹名称）

2、明确目标 （items.py）：明确你想要抓取的目标

选择你需要爬取的内容，例如作者名字、小说名、封面图片等
在items.py文件中定义

 3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

 生成一个爬虫
scrapy genspider  爬虫文件的名字 要爬的网页
eg:[不需要加https]
https://www.baidu.com/ --> baidu.com
https://www.douban.com/  --> douban.com
scrapy genspider baidu www.baidu.com

EG 爬虫文件解释：

import scrapy
class BaiduSpider(scrapy.Spider):# 爬虫的名字 一般运行爬虫的时候 使用的值name = 'baidu'# 允许访问的域名allowed_domains = ['www.baidu.com']# 起始的url地址  指的是第一次要访问的域名# start_urls   是在allowed_domains的前面添加一个http：//#              是在allowed_domains的后面添加一个/# 如果以html结尾 就不用加/ 否则网站进不去  报错start_urls = ['http://www.baidu.com/']# 是执行了start_urls之后  执行的方法# 方法中的response  就是返回的那个对象# 相当于 response = urllib.request.urlopen()#       response = requests.get()def parse(self, response):pass

4、 配置中间件（middlewares.py防反爬）

# middlewares.py 添加随机请求头和代理
import random
from fake_useragent import UserAgentclass CustomMiddleware:def process_request(self, request, spider):# 随机UA（伪装不同浏览器）request.headers['User-Agent'] = UserAgent().random# 使用代理IP（示例用阿布云代理）request.meta['proxy'] = "http://http-dyn.abuyun.com:9020"request.headers['Proxy-Authorization'] = basic_auth_header('H01234567890123D', '0123456789012345')

 【本项目没有防反爬机制，不用管这个文件】

 4、存储内容 （pipelines.py）：设计管道存储爬取内容

如果想使用管道的话 那么就必须在settings中开启管道

ITEM_PIPELINES = {# 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,
}# 将在settings.py中这段话取消注释，则打开了通道。

然后去pippelines.py中设计管道：

class ScrapyDangdangPipeline:def open_spider(self,spider):self.fp = open('book.json','w',encoding='utf-8')# item就是yield后面的对象def process_item(self, item, spider):   self.fp.write(str(item))return itemdef close_spider(self,spider):self.fp.close()

 5、运行爬虫

在cmd中输入：scrapy crawl 爬虫的名字eg:scrapy crawl baidu

二、实战：爬取当当图书 

创建项目

上一节我们已经创建好了文件夹

 

        创建好文件夹之后，通过cd mySprider进入到文件夹内部，创建通过scrapy genspider 爬虫程序了，这里创建爬虫文件，scrapy genspider dang category.dangdang.com

爬虫文件已经创建完成，通过mySprider，spiders目录下看到创建好的db文件。 

 

明确目标 （items.py）：明确你想要抓取的目标 

• 确定需要下载的数据，去items.py文件中添加。这里我们准备存储图片、名字和价格

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.htmlimport scrapyclass MyspiderItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()src = scrapy.Field()# 名字name = scrapy.Field()# 价格price = scrapy.Field()pass

去爬虫文件中去爬取我们需要的内容了（这里是在dang.py文件中）

 

import scrapy
from ..items import MyspiderItemclass DangSpider(scrapy.Spider):# 爬虫的名字 一般运行爬虫的时候 使用的值name = 'dang'# 允许访问的域名# 如果是多页下载的话 那么必须要调整的是allowed_domains的范围 一般情况下只写域名allowed_domains = ['category.dangdang.com']# 起始的url地址  指的是第一次要访问的域名# start_urls   是在allowed_domains的前面添加一个http：//#              是在allowed_domains的后面添加一个/# 如果以html结尾 就不用加/start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']base_url = 'http://category.dangdang.com/pg'page = 1# 是执行了start_urls之后  执行的方法# 方法中的response  就是返回的那个对象# 相当于 response = urllib.request.urlopen()#       response = requests.get()def parse(self, response):# pipelines     下载数据# items         定义数据结构的# src = //ul[@id="component_59"]/li//img/@src# alt = //ul[@id="component_59"]/li//img/@alt# price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()# 所有的seletor的对象 都可以再次调用xpath方法li_list = response.xpath('//ul[@id="component_59"]/li')for li in li_list:#  第一张图片和其他的图片的标签是属性是不一样的#  第一张图片src是可以使用的 其他图片的地址data-originalsrc = li.xpath('.//img/@data-original').extract_first()if src:src = srcelse:src = li.xpath('.//img/@src').extract_first()name = li.xpath('.//img/@alt').extract_first()price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()book = MyspiderItem(src=src,name=name,price=price)# 获取一个book就交给pipelinesyield book# 每一页爬取的业务逻辑都是一样的# 所以我们只需要将执行的那个页的请求再次调用parse方法就可以了if self.page < 100:self.page = self.page + 1url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'# 怎么去调用parse方法# scrapy.Request就是scrpay的get方法# url就是请求地址# callback是你要执行的那个函数 注意不需要加圆括号yield scrapy.Request(url=url,callback=self.parse)

通过解析拿到数据之后，我们就可以去通道中添加保存的方法了（pippelines.py）

去settings.py在打开通道和添加通道，完成之后进行下一步

ITEM_PIPELINES = {# 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高'mySpider.pipelines.ScrapyDangdangPipeline': 300,'mySpider.pipelines.DangDangDownloadPiepline': 301,
}

 注意

黄色框起来的是你的文件名，自行修改！

• 通道打开后，在pippelines.py完成下列操作

import os
# 如果想使用管道的话 那么就必须在settings中开启管道
class ScrapyDangdangPipeline:def open_spider(self,spider):self.fp = open('book.json','w',encoding='utf-8')# item就是yield后面的book对象def process_item(self, item, spider):# 一下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁# # write方法必须要写一个字符串 而不能是其他的对象# # w模式 会每一个对象都打开一次文件 覆盖之前的内容# with open('book.json','a',encoding='utf-8') as fp:#     fp.write(str(item))self.fp.write(str(item))return itemdef close_spider(self,spider):self.fp.close()# 多条管道开启# 定义管道类# 在settings中开启管道# 'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,
import urllib.requestclass DangDangDownloadPiepline:def process_item(self,item,spider):url = 'http:' + item.get('src')if not os.path.exists('./books/'):os.mkdir('./books/')filename = './books/' + item.get('name') + '.jpg'urllib.request.urlretrieve(url=url,filename=filename)return item

• 最后在cmd中输入：scrapy crawl dang
• 
• 完成之后就开始下载了，全部完成之后你就会看到多了book.json文件和books文件夹在自己的项目中。里面有数据，则表示项目成功了。

运行结果

 

三、总结 

一定要记得！！在setting开启管道设置 ，设置的时候注意路径名称，在这卡了半天

✅ spiders/ 里的爬虫逻辑（怎么抓，主要抓取数据的文件）
✅ pipelines.py 里的存储逻辑，处理抓到的数据（怎么存，定义文件存储方式等等）
✅ settings.py 里的配置参数（怎么调优）

        总的来说，简单一点的爬虫用scrapy实现时需要先创建好项目-->明确要爬取的目标--->分析页面，看看数据存在什么标签中，写爬取的py文件--->看看是否有反爬机制--->在管道文件中添加对数据的处理方式。