python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

是时候给你说说

爬虫框架了

使用框架来爬取数据

会节省我们更多时间

很快就能抓取到我们想要抓取的内容

框架集合了许多操作

比如请求,数据解析,存储等等

都可以由框架完成

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

有些小伙伴就要问了

你他妈的

为什么不早点说呢?

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

是这样的

当你不知道 1+1 是什么的时候

你去使用计算器来计算

也是没用的

对吧

所以框架的使用

在现在这个时候(爬虫28篇之后)讲

就是一个不错的时机

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

今天

小帅b就跟你说说

scrapy这个框架

到底有多牛b

那么

接下来就是

学习 python 的正确姿势

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

要使用 scrapy

首先当然你得需要有啊

你可以使用 conda 安装

conda install -c conda-forge scrapy

你也可以使用 PyPI 安装

pip install Scrapy

scrapy依赖一些相关的库

 

lxml
parsel
w3lib
twisted
cryptography and pyOpenSSL

如果你在使用 scrapy 的时候发现相关库缺失

把裤子穿上就是了

哦不是

把你缺失的库安装上就完事了

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

好了

现在假设你已经安装好了 scrapy 这个框架

那么接下来

小帅b会带你使用它来爬取一下 糗事百科 的段子

主要让你知道 scrapy 的使用以及体验它的牛逼之处

废话不多说

在你想要存放的爬虫文件目录下

使用命令来创建一个 scrapy 爬虫项目

比如在这里

我们要创建一个 qiushibaike 的爬虫项目

就可以这样

 scrapy startproject qiushibaike

这时候你就会发现

scrapy帮你自动生成了项目文件

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

在这里面有一些配置文件和预定义的设置文件

而我们的爬虫代码

可以在 spiders 目录下创建

在这里我们就创建一个 qiushibaike_spider 吧

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

要使用 scrapy 爬虫

我们就需要继承  scrapy.Spider 这个类

 

这样我们才能使用它定义的一些方法

class QiushiSpider(scrapy.Spider):

接着我们要定义一个爬虫的名称

这里定义一个唯一的名称

用来标识糗事的爬虫

在项目中不能和别的爬虫名称一样

等会会用到这个名称

  name = "qiushibaike"

接着我们就可以来定义我们的请求了

比如我们要爬糗事百科的段子的第一和第二页

所以我们可以这样定义请求链接

    def start_requests(self):
        urls = [
            'https://www.qiushibaike.com/text/page/1/',
            'https://www.qiushibaike.com/text/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

我们在这个方法 start_requests 需要返回一个 yield 生成的迭代

而其中的参数 callback=self.parse 就是要让它去回调我们的数据解析方法

回调方法是这样的

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'qiushi-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)

主要是把我们抓取下来的 html 存入到本地文件

我们来使用 scrapy 运行一下这个爬虫

使用如下命令即可

 cd qiushibaike/
scrapy crawl qiushibaike

scrapy crawl qiushibaike 中的 qiushibaike 就是我们刚刚定义的名称

不过这个时候运行后你会发现报错了

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

这是因为你懂得

糗事做了反爬

我们定义一个 header 吧

 haders = {
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/73.0.3683.86 Chrome/73.0.3683.86 Safari/537.36'
    }

    def start_requests(self):
        urls = [
            'https://www.qiushibaike.com/text/page/12/',
            'https://www.qiushibaike.com/text/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse, headers=self.haders)

再次运行命令

scrapy crawl qiushibaike

 

这次可以发现

源代码被我们爬取下来了

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

是不是很方便咧

接下来我们再来解析关键数据

比如我们只需要段子的作者和段子的内容

scrapy 也内置了 css、xpath 选择器的解析了

而且

scrapy 还内置了很多好用的命令

我们可以使用 scrapy shell 来请求我们的网页

scrapy shell /home/wistbean/PycharmProjects/spider/qiushibaike/qiushi-1.html

shell 后面可以是你爬下来的 HTML 文件

也可以是你一个链接

进去之后是这样的

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

我们可以在这里面做一些命令操作了

比如我们在这里坐一下解析操作

打开我们刚刚要爬的糗事百科的链接

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

可以看到

每个段子都被包含在一个 id 为 content-left 的 div 里面

我们使用如下命令获取

>>> content_left_div = response.xpath('//*[@id="content-left"]')

接着我们获取它下面的所有 div

>>> content_list_div = content_left_div.xpath('./div')

我们试着获取这个页面的所有作者名称和内容

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

作者名称位于 a 标签下的 h2

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

内容位于div下的span

我们还是一样

通过 xpath 获取

我们先来获取一个条目看看

content_div = content_list_div[0]

获取作者名称

>>> author = content_div.xpath('./div/a[2]/h2/text()').get()
>>> print(author)

街角*

获取段子内容

>>> content = content_div.xpath('./a/div/span/text()').getall()
>>> print(content)
['nnn刚上小学一年级时,一次肚子有点不舒服拉肚子,跑到厕所后运动裤上面的绳子竟然打了死结,在厕所里面如无头苍蝇一样乱转。', '这时看到老师在旁边上蹲坑,也不顾难为情了'此时老师蹲在蹲坑躲闪不及,浑身上下星星点点,屎喷了满脸如同长满麻子般!', '又是开心的一天,没有拉裤子!nn']
>>> 

这样

我们就通过命令行的方式可以知道如何获取我们想要的数据了

回到代码来

我们把 parse 方法改成这样

 def parse(self, response):

        content_left_div = response.xpath('//*[@id="content-left"]')
        content_list_div = content_left_div.xpath('./div')

        for content_div in content_list_div:
            yield {
                'author': content_div.xpath('./div/a[2]/h2/text()').get(),
                'content': content_div.xpath('./a/div/span/text()').getall(),
            }

然后再使用命令行运行

scrapy crawl qiushibaike

可以看到我们要的信息被打印出来了

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

那么

要将爬下来的数据存储为 json 文件怎么办呢

一个命令就搞定了

scrapy crawl qiushibaike -o qiushibaike.json

运行之后你会看到你的项目下多了一个 json 文件

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

不过中文乱码了

在 settings.py 中加一句

FEED_EXPORT_ENCODING = 'utf-8'

我们在运行一下

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

中文回来了

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

什么?

你想实现翻页抓取所有内容?

还想保存到数据库里?

好吧

篇幅有限

今天就到这里

且听帅b下回讲解

peace

 

python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

原文始发于微信公众号(学习python的正确姿势):python爬虫29 | 使用scrapy爬取糗事百科的例子,告诉你它有多厉害!

发表回复