43-爬虫的基本使用

pip install Scrapy  注:windows平台需要依赖pywin32,pip install pypiwin32

创建工程:开发工具命令行(Terminal):scrapy startproject yixiu(工程名,自定义)

Microsoft Windows [版本 10.0.18362.592]

(c)2019Microsoft Corporation。保留所有权利。

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫\第04天>cd ..

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫>scrapy startproject yixiu

New Scrapy project'yixiu', using template directory 'c:\users\xiongjiawei\pycharmprojects\spider\venv\lib\site-packages\scrapy\templates\project', created in:

C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫\yixiu

You can start your first spider with:

cd yixiu

scrapy genspider example example.com

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫>

创建爬虫:ali为爬虫名,自定义:scrapy genspider ali sogo.com

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫>cd yixiu

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫\yixiu>scrapy genspider ali sogo.com

Created spider'ali' using template 'basic' inmodule:

yixiu.spiders.ali

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫\yixiu>

打开创建的工程:File-Open...,找到工程目录,打开。

运行scrapy爬虫工程(方法一):在开发工具Terminal中执行:scrapy crawl ali

运行结果:

Microsoft Windows [版本 10.0.18362.592]

(c)2019Microsoft Corporation。保留所有权利。

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫\yixiu>scrapy crawl ali2020-02-12 10:35:52 [scrapy.utils.log] INFO: Scrapy 1.8.0 started (bot: yixiu)2020-02-12 10:35:52 [scrapy.utils.log] INFO: Versions: lxml 4.4.2.0, libxml2 2.9.5, cssselect 1.1.0, parsel 1.5.2, w3lib 1.21.0, Twisted 19.10.0, Python 3.5.0 (v3.5.0:374f501f4567, Sep 13 2015, 02:27:37) [MSC v.1900 64 bit (AMD64)], pyOpenSSL 19.1.0 (OpenSSL 1.1.1d 10 Sep 2019), cryptography 2.8, Platform Windows-10.0.18362

2020-02-12 10:35:52 [scrapy.crawler] INFO: Overridden settings: {'NEWSPIDER_MODULE': 'yixiu.spiders', 'SPIDER_MODULES': ['yixiu.spiders'], 'BOT_NAME': 'yixiu', 'ROBOTSTXT_OBEY':

True}2020-02-12 10:35:52[scrapy.extensions.telnet] INFO: Telnet Password: 27e35f760e10cc192020-02-12 10:35:52[scrapy.middleware] INFO: Enabled extensions:

['scrapy.extensions.telnet.TelnetConsole','scrapy.extensions.corestats.CoreStats','scrapy.extensions.logstats.LogStats']2020-02-12 10:35:53[scrapy.middleware] INFO: Enabled downloader middlewares:

['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware','scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware','scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware','scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware','scrapy.downloadermiddlewares.useragent.UserAgentMiddleware','scrapy.downloadermiddlewares.retry.RetryMiddleware','scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware','scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware','scrapy.downloadermiddlewares.redirect.RedirectMiddleware','scrapy.downloadermiddlewares.cookies.CookiesMiddleware','scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware','scrapy.downloadermiddlewares.stats.DownloaderStats']2020-02-12 10:35:53[scrapy.middleware] INFO: Enabled spider middlewares:

['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware','scrapy.spidermiddlewares.offsite.OffsiteMiddleware','scrapy.spidermiddlewares.referer.RefererMiddleware','scrapy.spidermiddlewares.urllength.UrlLengthMiddleware','scrapy.spidermiddlewares.depth.DepthMiddleware']2020-02-12 10:35:53[scrapy.middleware] INFO: Enabled item pipelines:

[]2020-02-12 10:35:53[scrapy.core.engine] INFO: Spider opened2020-02-12 10:35:53 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)2020-02-12 10:35:53 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023

2020-02-12 10:35:53 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (301) to from

2020-02-12 10:35:53 [scrapy.core.engine] DEBUG: Crawled (200) (referer: None)2020-02-12 10:35:53 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt:

2020-02-12 10:35:53[scrapy.core.engine] INFO: Closing spider (finished)2020-02-12 10:35:53[scrapy.statscollectors] INFO: Dumping Scrapy stats:

{'downloader/exception_count': 1,'downloader/exception_type_count/scrapy.exceptions.IgnoreRequest': 1,'downloader/request_bytes': 438,'downloader/request_count': 2,'downloader/request_method_count/GET': 2,'downloader/response_bytes': 1472,'downloader/response_count': 2,'downloader/response_status_count/200': 1,'downloader/response_status_count/301': 1,'elapsed_time_seconds': 0.656264,'finish_reason': 'finished','finish_time': datetime.datetime(2020, 2, 12, 2, 35, 53, 923514),'log_count/DEBUG': 3,'log_count/INFO': 10,'response_received_count': 1,'robotstxt/forbidden': 1,'robotstxt/request_count': 1,'robotstxt/response_count': 1,'robotstxt/response_status_count/200': 1,'scheduler/dequeued': 1,'scheduler/dequeued/memory': 1,'scheduler/enqueued': 1,'scheduler/enqueued/memory': 1,'start_time': datetime.datetime(2020, 2, 12, 2, 35, 53, 267250)}2020-02-12 10:35:53[scrapy.core.engine] INFO: Spider closed (finished)

(venv) C:\Users\xiongjiawei\PycharmProjects\Spider\13天搞定Python分布式爬虫\yixiu>

View Code

运行scrapy爬虫工程(方法二):

建立启动文件main.py(名字自定义,也可以start.py)

from scrapy.cmdline importexecute

execute('scrapy crawl ali'.split()) #写法一#execute(['scrapy', 'crawl', 'ali']) # 写法二

修改爬虫文件ali.py,增加打印信息:

#-*- coding: utf-8 -*-

importscrapyclassAliSpider(scrapy.Spider):

name= 'ali'allowed_domains= ['sogo.com']

start_urls= ['http://sogo.com/']defparse(self, response):print('=================================================================')print(response.text)print('=================================================================')

修改settings.py

# Obey robots.txt rules

ROBOTSTXT_OBEY = False #注:(为True则看不到print(response.text)打印信息)

在main.py文件上右击选择:Run 'main'

44-爬虫的数据提取:extract()、extract_first()、re()、xpath()、css()

#-*- coding: utf-8 -*-

importscrapyclassQidianSpider(scrapy.Spider):

name= 'qidian'allowed_domains= ['qidian.com']

start_urls= ['https://www.qidian.com/rank/yuepiao']defparse(self, response):

names= response.xpath('//h4/a/text()').extract()

authors= response.xpath('//p[@class="author"]/a[1]/text()').extract()#print(names)

#print(authors)

book =[]for name, author inzip(names, authors):

book.append({'name': name, 'author': author})return book

运行爬虫并将结果保存到文件:scrapy crawl 爬虫名 -o 文件名.后缀 -t 文件类型

scrapy crawl qidian -o book.json -t json 注:-t json为指定文件类型,可以省略,因为已经写了后缀名book.json

scrapy crawl qidian -o book.xml

scrapy crawl qidian -o book.csv

45-scrapy中pipeline中的使用

46-scrapy中settings的设置

在settings.py中加LOG_ENABLED=False 设置控制台不打印日志

47-scrapy中细节问题

48-scrapy爬取小说

49-scrapy中crawlspider的使用

……

python分布爬虫_13天搞定Python分布爬虫(第七天)(Scrapy)相关推荐

  1. python爬虫分布图_13天搞定Python分布爬虫!成为炙手可热的爬虫工程师

    原标题:13天搞定Python分布爬虫!成为炙手可热的爬虫工程师 1.什么是爬虫? 网络爬虫也叫网络蜘蛛,如果把互联网比喻成一个蜘蛛网,那么爬虫就是在网上爬来爬去的蜘蛛,爬虫程序通过请求url地址,根 ...

  2. python基础知识-一篇文章搞定Python全部基础知识

    原标题:一篇文章搞定Python全部基础知识 前言: 1.Python软件安装 第一章.字符串及数字变量 1.变量 要点提炼:Python变量为强类型动态类型.换言之,变量很任性,你给他int,他就是 ...

  3. 百道Python面试题实现,搞定Python编程就靠它

    机器之心报道 机器之心编辑部 想要备战 Python 面试,这两个项目有千道 Python 问题与实现. 之前机器之心介绍了 PHD 大牛的求职之路,很多读者感觉这位大牛太厉害了,他的经历对我们帮助不 ...

  4. python入门到实践-一本书搞定Python入门到实践

    上周介绍了几本Python从入门到进阶书籍,今天继续推荐好书,这本书是<Python编程:从入门到实践>.入门 Python 最好的书之一,适合零基础小白,也适合有其它语言背景的程序员 书 ...

  5. sqlserver如何从周一计算周_纯零基础,花10周时间,完全搞定Python,有没有可能?...

    最简单适合小白练手的 10 个Python小项目,十天就能搞定Python. 今天我推荐大家一本书:<面向零基础的Python小项目>,如果你集中精力,花10周,也就是两个半月时间,搞定P ...

  6. python降低图片分辨率_手把手:扫描图片又大又不清晰?这个Python小程序帮你搞定!...

    原标题:手把手:扫描图片又大又不清晰?这个Python小程序帮你搞定! 大数据文摘作品 编译:HAPPEN.于乐源.小鱼 一位乐于分享学生精彩笔记的大学教授对于扫描版的文件非常不满意--颜色不清晰并且 ...

  7. python朋友圈数据分析_第7天|16天搞定Python数据分析,盗墓笔记重现

    词云,又称文字云,是由词汇组成类似云的彩色图形.网络上好多漂亮的词云图,好多人以为是用PS软件P出来的,其实不是的,它们是用Python生成的.而且生成的方法还挺简单的,用Python开源的词云库就可 ...

  8. 深入浅出 Python 装饰器:16 步轻松搞定 Python 装饰器

    2019独角兽企业重金招聘Python工程师标准>>> Python的装饰器的英文名叫Decorator,当你看到这个英文名的时候,你可能会把其跟Design Pattern里的De ...

  9. 轻松搞定python系列

    轻松搞定python-变量与数学运算        轻轻松松搞定python 轻松搞定python-字符串与序列 轻松搞定python-字典与集合变量引用 轻松搞定python-流程控制与函数 什么是 ...

最新文章

  1. 查看tcp各个连接状态的数量
  2. uitableviw 自适应高度
  3. bnuoj 1068 比赛安排
  4. 吕帅 计算机学院,刘磊-吉林大学计算机科学与技术学院
  5. Z-Stack通过按键中断实现长按功能
  6. protobuf windows lib链接库生成
  7. 阶段5 3.微服务项目【学成在线】_day02 CMS前端开发_09-webpack研究-webpack介绍
  8. Ctrix-XenApp中误删应用服务器,如何重新添加
  9. UE4打包并加载Pak-Windows/iOS/Android不同平台Editor/Runtime不同运行模式兼容
  10. CSS:个人常用按钮样式
  11. 电脑开机不能进入系统--死机
  12. 解决潘多拉路由器固件使用AIDISK共享优盘,出现U盘每次爆满问题
  13. Windows11显示文件后缀名
  14. Map相关、HashMap
  15. Echarts给折线图给横竖坐标轴添加箭头与标签文字过长显示不全处理
  16. 软件著作权(软著)申请之六大坑
  17. html emsp ensp nbsp; thinsp;空格到底怎么占用像素的
  18. 鸡兔同笼python程序怎么写_属鸡-生肖鸡-属鸡人的命运-华易算命网
  19. 【SSA三维路径规划】基于matlab麻雀算法无人机三维航迹规划【含Matlab源码 301期】
  20. springboot2.3手册:5分钟用Netty搭建高性能异步WebSocket服务

热门文章

  1. 线性表—线性表的合并
  2. 无法卸载_六月累积更新又出问题:打印机故障 部分程序无法打开和卸载
  3. 符号说明表怎么做_电气新手搞不定电气识图怎么办?别慌!8套电气识图教程,秒上手...
  4. 资源放送丨《Oracle DataGuard 备份恢复最佳实践 》PPT视频
  5. MySQL的前缀索引及Oracle的类似实现
  6. 六个步骤,从零开始教你搭建基于WordPress的个人博客
  7. 华为云Volcano:让企业AI算力像火山一样爆发
  8. MATLAB一维数组的创建与元素提取
  9. python打印字符金字塔_Python教程第7篇:print打印字符串
  10. Think in Java第四版 读书笔记2