以『B站』为实战案例!手把手教你掌握爬虫必备框架『Scrapy』
1.前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
PS:如有需要Python学习资料的小伙伴可以点击下方链接自行获取
Python免费学习资料、代码以及交流解答点击即可加入
作为爬虫一员,掌握一门爬虫框架是必备技能,因此作为一名小白的你,我想向你推荐『Scrapy』。
具体『Scrapy』是什么,作用这些就不啰嗦(都是废话,百度有Scrapy简介),时间宝贵,就直接上干货(实战案例带你体验scrapy的使用)。
下面会以『B站』为目标进行实战!
2.Scrapy入门实战
1.环境准备
安装scrapy
pip install scrapy
通过上面这个命令即可直接安装好scrapy库
2.建立scrapy项目
scrapy startproject Bili
通过上面这个命令可以建立一个项目名称:Bili 的爬虫项目。
这里就可以在桌面建立了一个名字为:Bili 的爬虫项目
项目结构
Bili├── Bili│ ├── __init__.py│ ├── items.py│ ├── middlewares.py│ ├── pipelines.py│ ├── __pycache__│ ├── settings.py│ └── spiders│ ├── __init__.py│ └── __pycache__└── scrapy.cfg
各个文件作用
- scrapy.cfg:项目的总配置文件,通常无须修改。
- Bili:项目的 Python 模块,程序将从此处导入 Python 代码。
- Bili/items.py:用于定义项目用到的 Item 类。Item 类就是一个 DTO(数据传输对象),通常就是定义 N 个属性,该类需要由开发者来定义。
- Bili/pipelines.py:项目的管道文件,它负责处理爬取到的信息。该文件需要由开发者编写。
- Bili/settings.py:项目的配置文件,在该文件中进行项目相关配置。
- Bili/spiders:在该目录下存放项目所需的蜘蛛,蜘蛛负责抓取项目感兴趣的信息。
3.明确爬取内容
https://search.bilibili.com/all?keyword=%E8%AF%BE%E7%A8%8B&page=2
以上面链接为例(B站),爬取视频的标题(title)和链接(url)
4.定义项目中每一个类
Items类
import scrapyclass BiliItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()#pass# 视频标题title = scrapy.Field()# 链接url = scrapy.Field()
爬取字段是视频的标题(title)和链接(url),所以对于了title和url两个变量
定义spider类
spider类作用是自定义网页解析规则(新建scrapy项目是没有的,需要自己新建)。
Scrapy 为创建 Spider 提供了 scrapy genspider 命令,该命令的语法格式如下:
scrapy genspider [options] <name> <domain>
在命令行窗口中进入 Bili 目录下,然后执行如下命令即可创建一个 Spider:
scrapy genspider lyc "bilibili.com"
运行上面命令,即可在 Bili 项目的 Bili /spider 目录下找到一个 lyc.py 文件
编辑lyc.py
import scrapy
from Bili.items import BiliItemclass LycSpider(scrapy.Spider):name = 'lyc'allowed_domains = ['bilibili.com']start_urls = ['https://search.bilibili.com/all?keyword=课程&page=2']# 爬取的方法def parse(self, response):item = BiliItem()# 匹配for jobs_primary in response.xpath('//*[@id="all-list"]/div[1]/ul/li'):item['title'] = jobs_primary.xpath('./a/@title').extract()item['url'] = jobs_primary.xpath('./a/@href').extract()# 不能使用returnyield item# pass
修改pipeline类
这个类是对爬取的文件最后的处理,一般为负责将所爬取的数据写入文件或数据库中.。
这里我们将它输出到控制台.
from itemadapter import ItemAdapterclass BiliPipeline:def process_item(self, item, spider):print("title:", item['title'])print("url:", item['url'])
修改settings类
BOT_NAME = 'Bili'SPIDER_MODULES = ['Bili.spiders']
NEWSPIDER_MODULE = 'Bili.spiders'# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'Bili (+http://www.yourdomain.com)'# Obey robots.txt rules
ROBOTSTXT_OBEY = True
# 配置默认的请求头
DEFAULT_REQUEST_HEADERS = {"User-Agent" : "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0",'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
}
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {'Bili.pipelines.BiliPipeline': 300,
}
一个 Scarpy项目的简单架构就完成了我们可以运行一下试试.
启动项目
scrapy crawl lyc
但只有 一页的内容 , 我们可以解析下一页 .
将以下代码加到 lyc.py
import scrapy
from Bili.items import BiliItemclass LycSpider(scrapy.Spider):name = 'lyc'allowed_domains = ['bilibili.com']start_urls = ['https://search.bilibili.com/all?keyword=课程&page=2']# 爬取的方法def parse(self, response):item = BiliItem()# 匹配for jobs_primary in response.xpath('//*[@id="all-list"]/div[1]/ul/li'):item['title'] = jobs_primary.xpath('./a/@title').extract()item['url'] = jobs_primary.xpath('./a/@href').extract()# 不能使用returnyield item# 获取当前页的链接url = response.request.url# page +1new_link = url[0:-1]+str(int(url[-1])+1)# 再次发送请求获取下一页数据yield scrapy.Request(new_link, callback=self.parse)
下一页爬取
再次执行 , 就会一页一页的爬取 .
3.总结
1、通过实战案例『B站』,手把手实现scrapy项目的创建,解析网页,最后成功爬取数据并打印(保存)
2、适合小白入门scrapy,欢迎收藏,分析,学习
以『B站』为实战案例!手把手教你掌握爬虫必备框架『Scrapy』相关推荐
- python流程控制-实战案例手把手教你Python流程控制技巧
原标题:实战案例手把手教你Python流程控制技巧 作者:PianoOrRock 来源: http://blog.csdn.net/pianoorrock/article/details/711315 ...
- 以某乎为实战案例,教你用Python爬取手机App数据
1 前言 最近爬取的数据都是网页端,今天来教大家如何爬取手机端app数据(本文以ios苹果手机为例,其实安卓跟ios差不多)! 本文将以『某乎』为实战案例,手把手教你从配置到代码一步一步的爬取App数 ...
- 以『公众号』为例,手把手教你爬取PC端数据
之前教过大家如何爬取手机APP数据[以某乎为实战案例,教你用Python爬取手机App数据] 思路:主要是通过手机设置代理,然后在pc端开启抓包工具获取数据包,然后在编写python代码(get方式) ...
- 手把手教你爬取PC端『某酷视频』个人历史播放数据,并可视化展示
大家好,我是阿辰,今天手把手教你爬取PC端『某酷视频』个人历史播放数据,并可视化展示 上次有粉丝说,那个是ios手机,安卓手机现在需要root权限才可以安装证书,那么今天就不以手机为例,以电脑PC端为 ...
- 小白都能看懂的实战教程 手把手教你Python Web全栈开发(DAY 3)
小白都能看懂的实战教程 手把手教你Python Web全栈开发 Flask(Python Web)实战系列之在线论坛系统 第三讲 这是小白都能看懂的实战教程 手把手教你Python Web全栈开发 的 ...
- 小白都能看懂的实战教程 手把手教你Python Web全栈开发(DAY 1)
小白都能看懂的实战教程 手把手教你Python Web全栈开发 Flask(Python Web)实战系列之在线论坛系统 第一讲 博主博客文章内容导航(实时更新) 更多优质文章推荐: 收藏!最详细的P ...
- python android自动化元素定位_linux下Appium+Python移动应用自动化测试实战---3.手把手教你定位元素编写测试用例...
linux下Appium+Python移动应用自动化测试实战-3.手把手教你定位元素编写测试用例 前言 有很多童鞋环境搭建好了却没有进行下一步,是因为缺少step by step的资料. 互联网上ap ...
- YoloV5实战:手把手教物体检测
摘要:YOLOv5并不是一个单独的模型,而是一个模型家族,包括了YOLOv5s.YOLOv5m.YOLO... 本文分享自华为云社区<YoloV5实战:手把手教物体检测--YoloV5> ...
- 你知道豆瓣电影是怎么评分的吗?(实战篇—手把手教你分析豆瓣电影)
点赞再看,养成好习惯 Python版本3.8.0,开发工具:Pycharm 写在前面的话: 如果你是因为看到标题进来的,那恭喜你,又多了一个涨(入)知(坑)识的机会. 在这篇豆瓣电影Top250的分析 ...
最新文章
- python实时处理_python实时处理log文件脚本
- 转 ofbiz的webservice接口提供(2)-数据类型的局限性
- 类成员_月隐学python第17课
- 教职工使用计算机管理制度,【学校管理规章制度】教师笔记本电脑使用与管理制度...
- 我在工作中是如何使用Git的
- oracle立即关闭数据库,Oracle数据库的起步和关闭
- PLSQL中文显示乱码(问号)
- ZBlog菜鸟精致灰黑简约风格MiNi主题
- Java标识符和关键字(static,final,abstract,interface)
- java -jar 指定main,java打包成jar并执行jar包中指定的main方法
- Git(1):一个能够快速下载Git.exe的方法
- UART、RS232、RS485协议
- 基于JAVA优乐帮育儿系统计算机毕业设计源码+系统+数据库+lw文档+部署
- 三星发布家用microLED电视,LG感到压力很大
- 我是如何做技术分享的 ?
- 软件配置管理(SCM)
- jSignature 插件实现手写电子签名
- 一个不错的故事(上)
- BLAG: Improving the Accuracy of Blacklists
- 解读最佳实践:倚天710 ARM芯片的 Python+AI 算力优化
热门文章
- [unity3d] Asset Store 下载的package存在什么地方?
- 奶茶销售界面 仅供大家参考 哈哈哈
- Versatil Markdown for Mac(超级文本编辑器)
- 【蓝桥杯C++练习】每日一练03-编程题
- 高绩效人士的四象限法则
- AI人工智能毕业设计课题:水果识别,水果识别系统,蔬菜识别系统,果蔬识别系统
- vue 本地文件下载 pdf excel 等文件
- 如何将腾讯视频的qlv格式转换为mp4格式
- excel透视表问题
- 打码打码Python爬虫,某省建筑市场请求地址参数分析,手慢无爬虫