scrapy框架 - 入门使用（一）

目标

1. 掌握如何创建项目
2. 掌握如何创建爬虫
3. 熟悉创建项目后每个文件的作用
4. 掌握pipeline的使用
5. 掌握scrapy中logging的使用

1 scrapy项目实现流程

• 创建一个scrapy项目：scrapy startproject mySpider

• 生成一个爬虫：scrapy genspider itcast "itcast.cn

• 提取数据：完善spider，使用xpath等方法

• 保存数据：pipeline中保存数据

• 启动项目：scrapy crawl itcast

2 创建scrapy项目

下面以抓取传智师资库来学习scrapy的入门使用：http://www.itcast.cn/channel/teacher.shtml

命令：scrapy startproject +<项目名字>

示例：scrapy startproject myspider

生成的目录和文件结果如下：

3 创建爬虫

命令：scrapy genspider +<爬虫名字> + <允许爬取的域名>

示例：scrapy genspider itcast itcast.cn

生成的目录和文件结果如下：

4 完善spider

完善spider即通过方法进行数据的提取等操作

注意：

1. response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
2. extract() 返回一个包含有字符串的列表
3. extract_first() 返回列表中的第一个字符串，列表为空没有返回None
4. spider中的parse方法必须有
5. 需要抓取的url地址必须属于allowed_domains,但是start_urls中的url地址没有这个限制
6. 启动爬虫的时候注意启动的位置，是在项目路径下启动

5 数据传递到pipeline

为什么要使用yield？

• 让整个函数变成一个生成器，有什么好处呢？
• 遍历这个函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高
• python3中的range和python2中的xrange同理

注意：

• yield能够传递的对象只能是：BaseItem,Request,dict,None

6 完善pipeline

完善pipeline代码后，需要在setting中设置重启

pipeline在settings中能够开启多个，为什么需要开启多个？

• 不同的pipeline可以处理不同爬虫的数据
• 不同的pipeline能够进行不同的数据处理的操作，比如一个进行数据清洗，一个进行数据的保存

pipeline使用注意点

• 使用之前需要在settings中开启
• pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义)，值表示距离引擎的远近，越近数据会越先经过
• 有多个pipeline的时候，process_item的方法必须return item,否则后一个pipeline取到的数据为None值
• pipeline中process_item的方法必须有，否则item没有办法接受和处理
• process_item方法接受item和spider，其中spider表示当前传递item过来的spider

7 输出日志LOG的设置

为了让我们自己希望输出到终端的内容能容易看一些，我们可以在setting中设置log级别

在setting中添加一行（全部大写）：LOG_LEVEL = "WARNING”

默认终端显示的是debug级别的log信息