【入门级教程】python使用scrapy库实现爬虫
文章目录
- 搭建scrapy项目
- 安装scrapy
- 构造scrapy框架
- 构建一个爬虫
- 分析网页
- 观察网页源代码
- 学习网页结构(了解可以跳过)
- 学习网页表格(了解可以跳过)
- 学习XPath语法(了解可以跳过)
- 实现爬虫
- 修改指定的网页名
- 编写parse函数
- 运行爬虫
- 运行命令
- 配置settings
- 设置ROBOT君子协议
- 设置请求头
一开始笔者都是使用requests
+bs4
实现爬虫,直到后来我发现了有一个功能强大使用简单的爬虫框架——scrapy
,本文是一个入门级教程,会记录下从零开始使用scrapy
实现最简单爬虫的全过程:
搭建scrapy项目
安装scrapy
第一步,安装scrapy
,在命令行中输入:
pip install scrapy
当然,如果你使用的是pycharm
,就可以在Project:Python
→ Project Interperter
→ 点击右侧的+号搜索scrapy
进行安装。
构造scrapy框架
第二步,构建scrapy
框架,在命令行中输入:
scrapy startproject xxx(项目名)
此处笔者输入了scrapy startproject hello_scrapy
,便会在项目目录下生成一个hello_scrapy
文件夹:
hello_scrapy
文件夹内有如下结构:
第二个hello_scrapy
目录内有,这里有各种各样的配置文件,作为入门教程,我们只需要了解settings.py
的部分配置:
spiders
目录内有:
构建一个爬虫
接下来,我们在项目中构建第一个爬虫,在命令行中输入:
cd 项目名
scrapy genspider xxx(爬虫名) xxxxxx(域名)
cd
命令用于切换文件夹到项目文件夹内,scrapy genspider
用于创建一个爬虫,第一个参数是爬虫名,此处爬虫名切忌与项目名重复! 第二个参数是域名,如想要爬取的网站如果是百度百科对Python
的记录:https://baike.baidu.com/item/Python/407313
,它的域名便是掐头去尾剩下的部分:baidu.com
此处笔者想实现一个爬取英为财情https://cn.investing.com/
网上期货数据的爬虫,便输入了以下命令:
cd hello_scrapy
scrapy genspider futures_spider investing.com
输入后便会在hello_scrapy/hello_scrapy/spiders
中生成一个新文件futures_spider.py
(期货爬虫):
futures_spider.py
中的内容:
# -*- coding: utf-8 -*-
import scrapyclass FuturesSpiderSpider(scrapy.Spider):name = 'futures_spider'allowed_domains = ['investing.com']start_urls = ['http://investing.com/']def parse(self, response):pass
此处的pass
便是我们需要输入的地方。
分析网页
观察网页源代码
我们先来浏览一下英为财情网的期货数据,我们要爬取的网页是:https://cn.investing.com/commodities/real-time-futures
通过观察网页的结构和源代码,我们发现网页的期货数据被存储在表格结构中,接下来,我们就要对这个表格中的数据进行爬取:
学习网页结构(了解可以跳过)
作为入门教程,我们先来简单了解一下网页结构:每个网页都分为head
和body
,head
主要用于网页的初始化,例如设置编码格式,设置标题,引入脚本,引入风格样式等;而body
用于显示网页的内容,如下便是一个基础的网页结构:
<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"><title>网页标题</title>
</head>
<body>
Hello html!
</body>
</html>
效果如下,非常简单:
学习网页表格(了解可以跳过)
接下来,我们来了解一下网页的表格结构:
<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"><title>表格示例</title>
</head>
<body>
<table><tr><th>ID</th><th>Name</th></tr><tr><td>NO.001</td><td>Alex</td></tr><tr><td>NO.002</td><td>Amy</td></tr><tr><td>NO.003</td><td>John</td></tr><tr><td>NO.004</td><td>Helen</td></tr>
</table>
</body>
</html>
这是一个简单的表格:
table
是表格本体table
中包含tr
,即table row
,表示表格的一行tr
中有th
和td
,th
即table head
,意为表头td
即table data
,意为表中数据,即表身
我们这里的表格创建了ID
和Name
两个表头,表中导入了四排数据,效果如下:
学习XPath语法(了解可以跳过)
在简单了解html
之后,我们来了解一下xpath
语法:
//
表示选择所有,如//tr
表示选择所有tr
行./
表示当前目录的下一个目录- text()表示该目录的中内容
即使不熟悉xpath
,我们也有另一个办法,通过在想获取的元素上右键检查(笔者使用chrome
作为浏览器),在元素上右键 → Copy
→ Copy Xpath
,我们便可以获得该元素的Xpath
:
此示例获取的xpath
:/html/body/table/tbody/tr[4]/td[2]
,当然我们也可以通过Copy full Xpath
获取完整的Xpath
。
我们来观察一下此例中得到的Xpath
:
John
位于:
<html>
- →
<body>
- →
<table>
- →
<tbody>
(tbody
与thead
对应,表示表身,即使源代码中不写,浏览器编译后也会自动生成) - →
tr[4]
(即第4个tr
,此处的tr
的位置用数组形式表示索引) - →
td[2]
(即第2个td
,同样使用索引标记位置)
在了解这些前置知识之后,我们就可以开始实现parse
函数,我们再次观察要爬取的网页:
可以发现,表格中tr
行的第2个数据里的超链接标签a
对应商品名,第4个对应最新价,第8个对应涨跌幅。
因此,
- 商品名内容的
XPath
路径为//tr/td[2]/a/text()
(意为所有tr
标签下的第二个td
里a
标签的内容) - 最新价为
//tr/td[4]/text()
- 涨跌幅为
//tr/td[8]/text()
实现爬虫
修改指定的网页名
把start_urls
指定的网页修改成所要爬取的网页名:
start_urls = ['https://cn.investing.com/commodities/real-time-futures']
编写parse函数
实现parse
函数(parse
意为语法分析,顾名思义,用于解读网页结构获取内容)
def parse(self, response):#创建一个selector列表,其中包含所有tr行selectors = response.xpath('//tr')#遍历selector列表for selector in selectors:#获取商品名,get函数用于得到一个元素futures_type = selector.xpath('./td[2]/a/text()').get()#获取最新价latest_price = selector.xpath('./td[4]/text()').get()#获取涨跌幅change_rate = selector.xpath('./td[8]/text()').get()#如果数据存在(防止遍历到没有数据的tr行)if futures_type and latest_price and change_rate:#打印数据print(futures_type, latest_price, change_rate)
运行爬虫
运行命令
接下来我们来运行一下试试,运行爬虫需要在命令行中项目目录下输入如下指令:
scrapy crawl xxx(爬虫名)
笔者此处输入:
scrapy crawl futures_spider
效果如下,此处为节省篇幅只显示错误提示:
2020-04-27 23:46:28 [scrapy.core.engine] DEBUG: Crawled (403) <GET https://cn.investing.com/commodities/real-time-futures> (referer: None)
2020-04-27 23:46:28 [scrapy.spidermiddlewares.httperror] INFO: Ignoring response <403 https://cn.investing.com/commodities/real-time-futures
>: HTTP status code is not handled or not allowed
可以看到,网页报了403错误,意为服务器拒绝处理,这是为什么呢?
配置settings
设置ROBOT君子协议
因为我们没有在settings.py
中设置一些必要的选项,settings
中有一条ROBOTSTXT_OBEY
,意为是否遵守君子协议,若为True
,你可以爬取的格式、范围、次数等就要受到网站要求的限制,所以为了正常爬取,我们需要修改为False
(你懂的):
# Obey robots.txt rules
ROBOTSTXT_OBEY = True
设置请求头
然而这样设置之后还是不行,因为我们需要指定User-Agent
请求头,才能把爬虫伪装成一个浏览器,User-Agent
同样可以在settings
中设置:
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.54 Safari/536.5'
设置之后,我们便可以得到数据啦,再次在命令行中输入:
scrapy crawl futures_spider
返回结果:
2020-04-27 23:56:01 [scrapy.utils.log] INFO: Scrapy 2.0.1 started (bot: hello_scrapy)
2020-04-27 23:56:01 [scrapy.utils.log] INFO: Versions: lxml 4.5.0.0, libxml2 2.9.5, cssselect 1.1.0, parsel 1.5.2, w3lib 1.21.0, Twisted 20.
3.0, Python 3.8.2 (tags/v3.8.2:7b3ab59, Feb 25 2020, 23:03:10) [MSC v.1916 64 bit (AMD64)], pyOpenSSL 19.1.0 (OpenSSL 1.1.1f 31 Mar 2020),
cryptography 2.9, Platform Windows-10-10.0.18362-SP0
2020-04-27 23:56:01 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.selectreactor.SelectReactor
2020-04-27 23:56:01 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'hello_scrapy','NEWSPIDER_MODULE': 'hello_scrapy.spiders','SPIDER_MODULES': ['hello_scrapy.spiders'],'USER_AGENT': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_3) ''AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.54 ''Safari/536.5'}
2020-04-27 23:56:01 [scrapy.extensions.telnet] INFO: Telnet Password: 8f3e69fc82bdb3cc
2020-04-27 23:56:01 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats','scrapy.extensions.telnet.TelnetConsole','scrapy.extensions.logstats.LogStats']
2020-04-27 23:56:02 [scrapy.middleware] INFO: Enabled downloader middlewares:
['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']
2020-04-27 23:56:02 [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']
2020-04-27 23:56:02 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2020-04-27 23:56:02 [scrapy.core.engine] INFO: Spider opened
2020-04-27 23:56:02 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2020-04-27 23:56:02 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2020-04-27 23:56:03 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://cn.investing.com/commodities/real-time-futures> (referer: None)
黄金 1,723.45 -0.70%
XAU/USD 1,710.37 -1.07%
白银 15.273 +0.07%
铜 2.349 +0.53%
铂 777.75 +0.51%
钯 1,897.30 -4.43%
WTI原油 12.23 -27.80%
伦敦布伦特原油 22.82 -8.02%
天然气 1.837 -3.06%
燃料油 0.7071 -3.51%
RBOB汽油 0.6939 -0.89%
伦敦汽油 192.75 -6.20%
铝 1,507.75 -0.54%
锌 1,910.50 +1.16%
铅 1,638.75 +0.74%
镍 12,240.00 -0.16%
铜 5,199.25 +0.20%
锡 15,450.00 +3.14%
美国小麦 525.88 -0.78%
稻谷 14.655 -0.07%
玉米 314.62 -2.29%
美国大豆 840.62 +0.07%
美国大豆油 24.94 -2.20%
美国豆粕 292.50 -0.03%
美国二号棉花 54.96 -1.20%
美国可可 2,330.50 +0.32%
美国C型咖啡 106.20 -0.52%
伦敦咖啡 1,143.00 0.00%
美国11号糖 9.52 -2.96%
橙汁 112.08 +3.20%
活牛 83.675 +1.27%
瘦肉猪 56.17 +6.94%
饲牛 118.69 +1.21%
木材 312.30 -3.10%
燕麦 281.10 -1.26%
2020-04-27 23:56:03 [scrapy.core.engine] INFO: Closing spider (finished)
2020-04-27 23:56:03 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 328,'downloader/request_count': 1,'downloader/request_method_count/GET': 1,'downloader/response_bytes': 55344,'downloader/response_count': 1,'downloader/response_status_count/200': 1,'elapsed_time_seconds': 1.551372,'finish_reason': 'finished','finish_time': datetime.datetime(2020, 4, 27, 15, 56, 3, 887893),'log_count/DEBUG': 1,'log_count/INFO': 10,'response_received_count': 1,'scheduler/dequeued': 1,'scheduler/dequeued/memory': 1,'scheduler/enqueued': 1,'scheduler/enqueued/memory': 1,'start_time': datetime.datetime(2020, 4, 27, 15, 56, 2, 336521)}
2020-04-27 23:56:03 [scrapy.core.engine] INFO: Spider closed (finished)
这样我们就得到结果啦,接下来可以写一个writer
存储数据,笔者此处便不再赘述。
【入门级教程】python使用scrapy库实现爬虫相关推荐
- python 定时执行 爬虫 模块_浅析python实现scrapy定时执行爬虫
项目需要程序能够放在超算中心定时运行,于是针对scrapy写了一个定时爬虫的程序main.py ,直接放在scrapy的存储代码的目录中就能设定时间定时多次执行. 最简单的方法:直接使用Timer类 ...
- python网络爬虫系列教程——python中requests库应用全解
全栈工程师开发手册 (作者:栾鹏) python教程全解 python中requests库的基础应用,网页数据挖掘的常用库之一.也就是说最主要的功能是从网页抓取数据. 使用前需要先联网安装reques ...
- python菜鸟教程python机器学习工具库
正是由于Python简单易用以及高开发效率,吸引了大量的开发者为其创建更多新的机器学习工具库:而又因为大量的机器学习工具库的出现,使得Python在机器学习领域变得如此流行. 下面我们就来探索一下机器 ...
- python网络爬虫系列教程——python中pyquery库应用全解
全栈工程师开发手册 (作者:栾鹏) python教程全解 python网络爬虫lxml库的应用全解. 在线安装方法:cmd中输入"pip install pyquery" 离线安装 ...
- python网络爬虫系列教程——python中lxml库应用全解(xpath表达式)
全栈工程师开发手册 (作者:栾鹏) python教程全解 python网络爬虫lxml库的应用全解. 在线安装方法:cmd中输入"pip install lxml" 离线安装,下载 ...
- python:scrapy 一个网站爬虫库
Scrapy是一个用于抓取网站和提取结构化数据的应用框架,可用于广泛的有用应用,如数据挖掘.信息处理或历史档案.也可以使用api提取数据,或者作为一个通用的web爬虫. 安装 C:\Users\lif ...
- python深度学习库系列教程——python调用opencv库教程
分享一个朋友的人工智能教程.零基础!通俗易懂!风趣幽默!还带黄段子!大家可以看看是否对自己有帮助:点击打开 全栈工程师开发手册 (作者:栾鹏) python教程全解 OpenCV安装 pip inst ...
- python基础系列教程——python所有包库的下载
下载地址:https://pypi.python.org/pypi?%3Aaction=browse 支持搜索 Index by date: multidict pymatgen moderngl j ...
- pycharm中scrapy库的安装以及创建
python中scrapy库应用实例 首先,你已经安装好了pycharm 第一步,安装库,我们要知道pycharm有非常好用的库的安装,我们点击file->settings----->进入 ...
最新文章
- 【转发】什么时候该用委托,为什么要用委托,委托有什么好处
- 【转】MFC消息映射详解(整理转载)
- opencv画框返回坐标 python_python opencv鼠标事件实现画框圈定目标获取坐标信息
- 【CyberSecurityLearning 2】IP地址与DOS命令
- 当你自定义view用的约束之后,放到其他空间算取frame的时候发现frame里的x,y都是0...
- LINQ学习(四):From子句
- 不止 5G 和鸿蒙,华为最新大招,扔出 AI 计算核弹
- 再看中国互联网web2.0百强名单
- http请求POST和GET调用接口以及反射动态调用Webservices类
- 备战2022年5月软考高项 —— 信息系统项目管理师
- mc9.1编程教程入门_教程1-什么是编程?
- 阿里云MaxComputer SQL学习之内置函数
- 达梦数据库出现故障无法启动解决方法-通过归档日志修复数据库
- 随笔记:实现HTML页面局部滚动及自定义滚动条样式
- 【Vue】通过computed为筛选列表数组进行排序(图文+完整代码示例)
- 免费申请 HTTPS 证书,开启全站 HTTPS
- java 中的网络编程(Socket、TCP三次握手四次挥手、TCP/UDP/URL)
- PCIe LTSSM 之 Detect 状态
- zt围棋是世界上最大的伪科学
- 【简易】微信小程序日期Date的加减