单网页Scrapy爬虫实验

参考：https://segmentfault.com/a/1190000013178839
步骤1：新建项目
进入一个目录，Shift+鼠标右键，在当前目录下打开命令行窗口。

scrapy startproject mySpider

其中， mySpider 为项目名称，可以看到将会创建一个 mySpider 文件夹
我们打算抓取：http://www.itcast.cn/channel/… 网站里的所有讲师的姓名、职称和个人信息。

打开mySpider目录下的items.py文件
创建一个ItcastItem 类，和构建item模型（model）

import scrapy

class ItcastItem(scrapy.Item):
   name = scrapy.Field()
   level = scrapy.Field()
   info = scrapy.Field()

步骤2，执行相关初始化
在当前目录下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：
scrapy genspider itcast “itcast.cn”

打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"#这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
    allowed_domains = ["itcast.cn"]#是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。
    start_urls = (
        'http://www.itcast.cn/',
    )#爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

    #解析的方法，每个初始URL完成下载后将被调用
    def parse(self, response):
        pass

将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response):
    filename = "teacher.html"
    with open("teacher.html","w",encoding="utf-8") as r:
        r.write(response.text)

然后运行一下看看，在mySpider目录下执行：

scrapy crawl itcast

步骤3，取数据
页面源码：

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

完整程序：

from mySpider.items import ItcastItem#我们之前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()

    # 存放老师信息的集合
    #items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 将我们得到的数据封装到一个 `ItcastItem` 对象
        item = ItcastItem()
        #extract()方法返回的都是unicode字符串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一个元素的列表
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        #items.append(item)

        #将获取的数据交给pipelines
        yield item

    # 返回数据，不经过pipeline
    #return items

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，命令如下：

scrapy crawl itcast -o teachers.json#json格式，默认为Unicode编码
scrapy crawl itcast -o teachers.jsonl#json lines格式，默认为Unicode编码
scrapy crawl itcast -o teachers.csv#csv 逗号表达式，可用Excel打开
scrapy crawl itcast -o teachers.xml#xml格式

解决存储json格式时存为\uxxx的问题：
在settings.py文件中加

FEED_EXPORT_ENCODING = 'UTF-8'