目錄

一、基本步驟

1、新建項目 ：新建一個新的爬蟲項目

2、明確目標 （items.py）：明確你想要抓取的目標

?3、制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁

?4、存儲內容 （pipelines.py）：設計管道存儲爬取內容

?5、運行爬蟲

二、實戰：爬取當當圖書?

---

接下來介紹一個簡單的項目，完成一遍 Scrapy 抓取流程。

一、基本步驟

1、新建項目 ：新建一個新的爬蟲項目

1 創建一個scrapy項目
scrapy startproject mySpider（文件夾名稱）

2、明確目標 （items.py）：明確你想要抓取的目標

選擇你需要爬取的內容，例如作者名字、小說名、封面圖片等
在items.py文件中定義

?3、制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網頁

 生成一個爬蟲
scrapy genspider  爬蟲文件的名字 要爬的網頁
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 爬蟲文件解釋：

import scrapy
class BaiduSpider(scrapy.Spider):# 爬蟲的名字 一般運行爬蟲的時候 使用的值name = 'baidu'# 允許訪問的域名allowed_domains = ['www.baidu.com']# 起始的url地址  指的是第一次要訪問的域名# start_urls   是在allowed_domains的前面添加一個http：//#              是在allowed_domains的后面添加一個/# 如果以html結尾 就不用加/ 否則網站進不去  報錯start_urls = ['http://www.baidu.com/']# 是執行了start_urls之后  執行的方法# 方法中的response  就是返回的那個對象# 相當于 response = urllib.request.urlopen()#       response = requests.get()def parse(self, response):pass

4、 配置中間件（middlewares.py防反爬）

# middlewares.py 添加隨機請求頭和代理
import random
from fake_useragent import UserAgentclass CustomMiddleware:def process_request(self, request, spider):# 隨機UA（偽裝不同瀏覽器）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')

?【本項目沒有防反爬機制，不用管這個文件】

?4、存儲內容 （pipelines.py）：設計管道存儲爬取內容

如果想使用管道的話 那么就必須在settings中開啟管道

ITEM_PIPELINES = {# 管道可以有很多個 那么管道是有優先級 優先級的范圍是1到1000 值越小優先級越高'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,
}# 將在settings.py中這段話取消注釋，則打開了通道。

然后去pippelines.py中設計管道：

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

?5、運行爬蟲

在cmd中輸入：scrapy crawl 爬蟲的名字eg:scrapy crawl baidu

二、實戰：爬取當當圖書?

創建項目

上一節我們已經創建好了文件夾

?

????????創建好文件夾之后，通過cd mySprider進入到文件夾內部，創建通過scrapy genspider 爬蟲程序了，這里創建爬蟲文件，scrapy genspider dang category.dangdang.com

爬蟲文件已經創建完成，通過mySprider，spiders目錄下看到創建好的db文件。?

?

明確目標 （items.py）：明確你想要抓取的目標?

• 確定需要下載的數據，去items.py文件中添加。這里我們準備存儲圖片、名字和價格

# 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()# 價格price = scrapy.Field()pass

去爬蟲文件中去爬取我們需要的內容了（這里是在dang.py文件中）

?

import scrapy
from ..items import MyspiderItemclass DangSpider(scrapy.Spider):# 爬蟲的名字 一般運行爬蟲的時候 使用的值name = 'dang'# 允許訪問的域名# 如果是多頁下載的話 那么必須要調整的是allowed_domains的范圍 一般情況下只寫域名allowed_domains = ['category.dangdang.com']# 起始的url地址  指的是第一次要訪問的域名# start_urls   是在allowed_domains的前面添加一個http：//#              是在allowed_domains的后面添加一個/# 如果以html結尾 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# 是執行了start_urls之后  執行的方法# 方法中的response  就是返回的那個對象# 相當于 response = urllib.request.urlopen()#       response = requests.get()def parse(self, response):# pipelines     下載數據# items         定義數據結構的# 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的對象 都可以再次調用xpath方法li_list = response.xpath('//ul[@id="component_59"]/li')for li in li_list:#  第一張圖片和其他的圖片的標簽是屬性是不一樣的#  第一張圖片src是可以使用的 其他圖片的地址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)# 獲取一個book就交給pipelinesyield book# 每一頁爬取的業務邏輯都是一樣的# 所以我們只需要將執行的那個頁的請求再次調用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'# 怎么去調用parse方法# scrapy.Request就是scrpay的get方法# url就是請求地址# callback是你要執行的那個函數 注意不需要加圓括號yield scrapy.Request(url=url,callback=self.parse)

通過解析拿到數據之后，我們就可以去通道中添加保存的方法了（pippelines.py）

去settings.py在打開通道和添加通道，完成之后進行下一步

ITEM_PIPELINES = {# 管道可以有很多個 那么管道是有優先級 優先級的范圍是1到1000 值越小優先級越高'mySpider.pipelines.ScrapyDangdangPipeline': 300,'mySpider.pipelines.DangDangDownloadPiepline': 301,
}

?注意

黃色框起來的是你的文件名，自行修改！

• 通道打開后，在pippelines.py完成下列操作

import os
# 如果想使用管道的話 那么就必須在settings中開啟管道
class ScrapyDangdangPipeline:def open_spider(self,spider):self.fp = open('book.json','w',encoding='utf-8')# item就是yield后面的book對象def process_item(self, item, spider):# 一下這種模式不推薦 因為每傳遞一個對象 那么就打開一次文件對文件的操作過于頻繁# # write方法必須要寫一個字符串 而不能是其他的對象# # w模式 會每一個對象都打開一次文件 覆蓋之前的內容# 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()# 多條管道開啟# 定義管道類# 在settings中開啟管道# '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中輸入：scrapy crawl dang
• 
• 完成之后就開始下載了，全部完成之后你就會看到多了book.json文件和books文件夾在自己的項目中。里面有數據，則表示項目成功了。

運行結果

?

三、總結?

一定要記得！！在setting開啟管道設置 ，設置的時候注意路徑名稱，在這卡了半天

? spiders/ 里的爬蟲邏輯（怎么抓，主要抓取數據的文件）
? pipelines.py 里的存儲邏輯，處理抓到的數據（怎么存，定義文件存儲方式等等）
? settings.py 里的配置參數（怎么調優）

? ? ? ? 總的來說，簡單一點的爬蟲用scrapy實現時需要先創建好項目-->明確要爬取的目標--->分析頁面，看看數據存在什么標簽中，寫爬取的py文件--->看看是否有反爬機制--->在管道文件中添加對數據的處理方式。

? ? ? ?