scrapy小实例

1.在安装好scrapy后,使用scrapy startproject +项目名来创建一个scrapy项目,如下图即创建成功:

2. 使用tree命令可以查看项目的目录结构:

3.进入spilder目录下,使用:scrapy genspider +文件名+网址  命令来创建一个爬虫文件:

4.可以使用命令:

     scrapy list :来查看列出当前项目中的所有可用爬虫

     scrapy check:运行 contract 检查

     scrapy crawl +爬虫名(不是文件名):使用爬虫开始爬行

5.运行后并没有什么变化,我们改一下刚生成的Duba.py文件。

# -*- coding: utf-8 -*-
import scrapy


class DubaSpider(scrapy.Spider):
    name = 'Duba'
    allowed_domains = ['www.douban.com']
    start_urls = ['https://www.douban.com/']

    def parse(self, response):
       print(response.body)
        #pass
 

发现豆瓣并爬不到东西,这个可能是豆瓣做了一定的防爬虫处理,因为我们还没有设置一些头信息,所以很容易被识别的。

我又换了一下淘宝的:

# -*- coding: utf-8 -*-
import scrapy


class DubaSpider(scrapy.Spider):
    name = 'Duba'
    allowed_domains = ['www.taobao.com']
    start_urls = ['https://www.taobao.com/']

    def parse(self, response):
       print(response.body)
        #pass
 

果然,淘宝的页面数据是可以正常输出的。接下来对数据就交给item管道(Item pipeline)去处理。

注意:有可能会出现DNS lookup failed:No results for hostname lookup:http,这样的问题。可以修改setting.py文件,将ROBOTSTXT_OBEY = True 改为False就可以了。

接下来我们在settings.py文件中添加USER_AGENT 信息,再爬一下,OK,可以正常爬到网页啦

### Scrapy框架使用教程实例 #### 创建Scrapy项目 为了创建一个新的Scrapy项目,可以运行命令`scrapy startproject project_name`。这会建立一个名为`project_name`的新目录,其中包含了基本的Scrapy项目结构[^3]。 #### 定义Items 在`items.py`文件中定义想要抓取的数据模型。例如,在教育机构爬虫的例子中,定义了一个简单的Item类来保存讲师的名字、职位以及简介: ```python import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field() ``` 这段代码展示了如何通过继承`scrapy.Item`并添加字段的方式定义数据项[^2]。 #### 编写Spiders 接下来是在`spiders`目录下编写具体的爬虫逻辑。下面是一个基于58同城网站招聘信息页面编写的简单爬虫例子: ```python import scrapy class TcTestSpider(scrapy.Spider): name = 'tc_test' allowed_domains = ['gz.58.com'] start_urls = [ 'https://gz.58.com/sou/?key=前端开发&classpolicy=classify_D'] def parse(self, response): # 解析HTML文档中的特定部分 spans = response.xpath( '//div[@id="filter"]/div[@class="tabs"]/a/span') for span in spans: yield { 'text': span.get(), } ``` 此段代码说明了怎样设置初始URL列表(`start_urls`)和允许访问域名(`allowed_domains`),同时也给出了处理响应对象(response object)的方法——即提取所需信息并返回字典形式的结果[^4]。 #### 运行爬虫 最后一步就是启动爬虫了。可以通过终端输入如下指令执行上述定义好的爬虫: ```bash scrapy crawl tc_test ``` 这样就完成了整个流程:从初始化到获取目标网页上的具体内容[^1]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值