Python爬虫之Scrapy爬虫框架

Scrapy是一个用Python写的爬虫框架，使用Twisted这个异步网络库来处理网络通信。

这里通过创建优快云博客爬虫来学习Scrapy爬虫框架。

安装Scrapy：

在Linux上，直接pip install scrapy即可；

在Windows上，需要依次安装pywin32、pyOpenSSL、lxml和scrapy。

本次在Kali上安装，安装成功后能成功看到版本信息：

优快云博客爬虫项目：

创建爬虫项目：

到相应的目录中在命令行输入：scrapy startproject csdnSpide

接着进入该项目根目录并显示目录结构信息：

scrapy.cfg：项目部署文件

csdnSpider/：该项目的Python模块，可以在此加入代码

csdnSpider/items.py：项目中的item文件

csdnSpider/pipelines.py：项目中的Pipelines文件

csdnSpider/settings.py：项目的配置文件

csdnSpider/spiders/：放置Spider代码的目录

创建爬虫模块：

到spiders目录中编写爬虫模块，创建一个Spider类，需要继承scrapy.Spider类并定义三个属性：name爬虫的名字（必须唯一）、start_urls、parse()

Selector选择器解析HTML内容：

构造XPath，i表示第i篇博文：

每页的文章数量：//*[@class="list_item article_item"]，然后再获取相应的数组大小即可

标题：//*[@id="article_list"]/div[i]/div[1]/h1/span/a/text()

摘要：//*[@id="article_list"]/div[i]/div[2]/text()

链接：//*[@id="article_list"]/div[i]/div[1]/h1/span/a/@href

调试XPath语法是否正确：在命令行输入：scrapy shell "http://blog.youkuaiyun.com/ski_12"

接着输入以下命令测试链接的XPath，另外两个元素也是同样则是即可：

response.xpath('//*[@id="article_list"]/div[1]/div[1]/h1/span/a/@href').extract()

没有问题。然后修改代码直接在该文件中进行输出：

运行爬虫：scrapy crawl csdn

正常解析出来了。

接着添加翻页操作的解析：

使用re模块正则匹配的表达式<a href="(\S*)">下一页</a>

再次运行爬虫：scrapy crawl csdn

定义Item：

Item对象是一种简单的容器，用来保存爬取的诗句，使用简单的class定义语法以及Field对象来声明。定义存储数据的Item类时，需要继承scrapy.Item。Item的操作方式与字典的操作方式相似。