项目需求
在专门供爬虫初学者训练爬虫技术的网站（)上爬取名言警句。
创建项目
在开始爬取之前，必须创建一个新的scrapy项目。进入您打算存储代码的目录中，运行下列命令:
(base) λ scrapy startproject quotes
new scrapy project 'quotes '， using template directory 'd: \anaconda3\lib\site-packages\scrapy\temp1ates\project ', created in:
d:\xxx
you can start your first spider with :
cd quotes
scrapy genspider example example. com
首先切换到新建的爬虫项目目录下，也就是/quotes目录下。然后执行创建爬虫文件的命令:
d:\xxx(master) (base) λ cd quotes\ d:\xxx\quotes (master) (base) λ scrapy genspider quotes quotes.com cannot create a spider with the same name as your project d :\xxx\quotes (master) (base) λ scrapy genspider quote quotes.com created spider 'quote' using template 'basic' in module:quotes.spiders.quote
该命令将会创建包含下列内容的quotes目录:
robots.txt
robots协议也叫robots.txt(统一小写）是一种存放于网站根目录下的ascii编码的文本文件，它通常告诉网络搜索引擎的网络蜘蛛，此网站中的哪些内容是不应被搜索引擎的爬虫获取的，哪些是可以被爬虫获取的。
robots协议并不是一个规范，而只是约定俗成的。
#filename : settings.py #obey robots.txt rules robotstxt__obey = false
分析页面
编写爬虫程序之前，首先需要对待爬取的页面进行分析，主流的浏览器中都带有分析页面的工具或插件，这里我们选用chrome浏览器的开发者工具(tools→developer tools）分析页面。
数据信息
在chrome浏览器中打开页面，然后选择”elements”，查看其html代码。
可以看到每一个标签都包裹在
编写spider
分析完页面后，接下来编写爬虫。在scrapy中编写一个爬虫， 在scrapy.spider中编写代码spider是用户编写用于从单个网站(或者-些网站)爬取数据的类。
其包含了-个用于下载的初始url,如何跟进网页中的链接以及如何分析页面中的内容，提取生成item的方法。
为了创建一个spider, 您必须继承scrapy.spider类，且定义以下三个属性:
- name:用于区别spider。该名字必须是唯一-的, 您不可以为不同的spider设定相同的名字。
- start _urls:包含了spider在启动时进行爬取的ur列表。因此， 第一个被获取到的页面将是其中之一。后续的url则从初始的url获取到的数据中提取。
- parse():是spider的一一个方法。被调用时，每个初始url完成下载后生成的response对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的url 的request对象。
import scrapy
class quotespi der(scrapy . spider):
name ='quote'
allowed_ domains = [' quotes. com ']
start_ urls = ['http://quotes . toscrape . com/']
def parse(self， response) :
pass
下面对quote的实现做简单说明。
- scrapy.spider :爬虫基类，每个其他的spider必须继承自该类(包括scrapy自带的其他spider以及您自己编写的spider)。
- name是爬虫的名字，是在genspider的时候指定的。
- allowed_domains是爬虫能抓取的域名，爬虫只能在这个域名下抓取网页，可以不写。
- start_ur1s是scrapy抓取的网站，是可迭代类型，当然如果有多个网页，列表中写入多个网址即可，常用列表推导式的形式。
- parse称为回调函数，该方法中的response就是start_urls 网址发出请求后得到的响应。当然也可以指定其他函数来接收响应。一个页面解析函数通常需要完成以下两个任务:
1.提取页面中的数据(re、xpath、css选择器)
2.提取页面中的链接，并产生对链接页面的下载请求。
页面解析函数通常被实现成一个生成器函数，每一项从页面中提取的数据以及每一个对链接页面的下载请求都由yield语句提交给scrapy引擎。
解析数据
import scrapy
def parse(se1f，response) :
quotes = response.css('.quote ')
for quote in quotes:
text = quote.css( '.text: :text ' ).extract_first()
auth = quote.css( '.author : :text ' ).extract_first()
tages = quote.css('.tags a: :text' ).extract()
yield dict(text=text，auth=auth，tages=tages)
重点：
- response.css(直接使用css语法即可提取响应中的数据。
- start_ur1s 中可以写多个网址，以列表格式分割开即可。
- extract()是提取css对象中的数据，提取出来以后是列表，否则是个对象。并且对于
- extract_first()是提取第一个
运行爬虫
在/quotes目录下运行scrapycrawlquotes即可运行爬虫项目。
运行爬虫之后发生了什么?
scrapy为spider的start_urls属性中的每个url创建了scrapy.request对象，并将parse方法作为回调函数(callback)赋值给了request。
request对象经过调度，执行生成scrapy.http.response对象并送回给spider parse()方法进行处理。
完成代码后，运行爬虫爬取数据，在shell中执行scrapy crawl <spider_name>命令运行爬虫’quote’,并将爬取的数据存储到csv文件中:
(base) λ scrapy craw1 quote -o quotes.csv 2021-06-19 20:48:44 [scrapy.utils.log] inf0: scrapy 1.8.0 started (bot: quotes)
等待爬虫运行结束后，就会在当前目录下生成一个quotes.csv的文件，里面的数据已csv格式存放。
-o支持保存为多种格式。保存方式也非常简单，只要给上文件的后缀名就可以了。(csv、json、pickle等)
到此这篇关于python爬虫基础之初次使用scrapy爬虫实例的文章就介绍到这了,更多相关python scrapy框架内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！
