一、scrapy介绍

二、爬取步骤

三、代码

1、创建爬虫项目 scrapy startproject 项目名字注意: 项目名字不能出现中文，也不能以数字开头。

2、创建爬虫文件

3.进入itmes.py

4.进入spiders

5.进入pipelines.py

四、运行scrapy 文件

一、scrapy介绍

简单介绍一下scrapy吧。

Scrapy 框架是一个基于Twisted的一个异步处理爬虫框架，应用范围非常的广泛，常用于数据采集、网络监测，以及自动化测试等。

Scrapy 框架主要由五大组件组成，它们分别是：

调度器(Scheduler) ：它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
下载器(Downloader) :负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理
爬虫（Spider）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)
实体管道(Item Pipeline)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
Scrapy引擎(Scrapy Engine)：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

这么说大家可能还是不太明白，直接上图（此图来自一位bilibili的up主）：

步骤如下：

注：红色字体部分是给下一个步骤的数据

spiders url --》引擎（Scrapy Engine）url --》调度器（Scheduler）请求 --》引擎（Scrapy Engine）请求 --》下载器(Downloader) 请求 --》互联网数据 --》引擎（Scrapy Engine）数据 --》spiders 解析数据结果 --》引擎（Scrapy Engine）if(就交给管道下载数据) if(有 url 则重复上面步骤) 注意的一点是连个可以同时存在也可以单独存在

话不多说，直接开始干！！！！

二、爬取步骤

这次要爬取的是当当网中的电子书

点击此处，进入网址，可以看到很多的书。而我们需要的是数据：书的图片，书名，作者，价格

1.爬取思路

首先查看有多少页，会发现，这个网站没有页数，究其原因，是一个滚动条的 ajax 请求，当滚动条滑倒最底下的时候，就发出一条请求。说这么一堆可能听不懂，上图。

这时候你会发现里面多了很多条请求，我们直接看到最上面一条，因为是ajax的请求，肯定是一个json的一个嵌套格式，直接打开英文是”response“，中文是“响应”，我的是中文所以就点击响应，看看有没有我们所需要的数据。

有数据吧，那就是他了。

http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=63&end=83&category=QCWX&dimension=dd_sale&order=0

复制url 放到搜索栏里面在进行请求一次，检验一下是不是正确的。

结果如下，密密麻麻的数据，有密集恐惧症的估计得没，而我们今天的任务就是从这些数据中提取出我们想要的数据。

要多页爬取，所以我们还要刚才一样在操作一次，下一条的请求URL，和这条url有什么区别。

这时候就有两条url

http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=63&end=83&category=QCWX&dimension=dd_sale&order=0
http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=84&end=104&category=QCWX&dimension=dd_sale&order=0

规律找到了，很简单。start（从第几本书开始） end（结束的那一本书）

思路有了，那就开始写代码

三、代码

在python 中的 Terminal 也就是终端中，创建scrapy框架

1、创建爬虫项目 scrapy startproject 项目名字
注意: 项目名字不能出现中文，也不能以数字开头。

项目结构如下：玩过django的人应该都知道

2、创建爬虫文件

        在spiders文件夹中创建爬虫文件 cd 项目的名字\项目的名字\spiders进入spiders文件后创建爬虫文件：创建爬虫文件         scrapy genspider 爬虫文件的名字 要爬取的网页

注：URL记得用 ” “包起来不然可能会报错

创建成功后会出现，也就是我们刚刚创建的文件夹

3.进入itmes.py

数据取到后接下里就是定义数据结构了

import scrapyclass ScrapyDyttCsdnItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()#定义好数据结构name = scrapy.Field()   #书名author = scrapy.Field() #作者imgSrc = scrapy.Field() #图片price = scrapy.Field()  #价格pass

4.进入spiders

进入我们刚刚创建好的文件 spiders文件下的 dytt.py

进入该文件，会发现，看注释

import scrapyclass DyttSpider(scrapy.Spider):name = 'dytt'#链接范围，不在该范围内的url请求，都会报错，一般只写域名allowed_domains = ['e.dangdang.com']#执行文件请求的url，也就是我们创建文件的是给的url，#但是又不懂是不是，这是因为框架内部的原因弄的，大家不用在意，把刚才的url重新复制在里面就可以了。
#改一下strat 和 end 这两个是前面提过的 strat=0  和 end=20
#意思也就是从索引0开始，一直到索引20，也就是21本书start_urls = ['http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=0&end=20&category=QCWX&dimension=dd_sale&order=0']def parse(self, response):
#页面返回来的数据全在response 中，response.text 看看数据有没有获取到print(response.text)

3、运行爬虫代码scrapy crawl 爬虫文件的名字eg: scrapy crawl dytt

密密麻麻的数据已经获取到了，说明代码已经好了，接下来就是解析数据了，看到这些数据别说是我们了，就算哪些最牛逼的大神都头痛，有没有好的办法呢？当然是有的。

既然书是从strat开始 end结束，那能不能只获取一本书呢。

试试，改 strat=0 和 end=0 只获取一本书

在浏览器输入根改后的链接

http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=0&end=0&category=QCWX&dimension=dd_sale&order=0

结果如下，这样是不是就舒服多了，接下来就是了解 json 数据结构，找到我们需要数据的位置

结构已近给你们找好了，如果你们也想自己找的话可以试试，挺好玩的。

print(doc['data']["saleList"][0]['mediaList'][0]["authorPenname"])  #作者
print(doc['data']["saleList"][0]['mediaList'][0]["coverPic"])       #图片
print(doc['data']["saleList"][0]['mediaList'][0]["title"])          #书名字
print(doc['data']["saleList"][0]['mediaList'][0]["lowestPrice"])    #价格

那接下来就是解析数据了

import scrapy
import jsonclass DyttSpider(scrapy.Spider):name = 'dytt'#链接范围，不在该范围内的url请求，都会报错，一般只写域名allowed_domains = ['e.dangdang.com']#执行文件请求的url，也就是我们创建文件的是给的url，#但是又不懂是不是，这是因为框架内部的原因弄的，大家不用在意，把刚才的url重新复制在里面就可以了。#改一下strat 和 end 这两个是前面提过的 strat=0  和 end=20#   意思也就是从索引0开始，一直到索引20，也就是21本书start_urls = ['http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=0&end=20&category=QCWX&dimension=dd_sale&order=0']def parse(self, response):json_list = json.loads(response.text)#  json_list['data']['saleList']  获取每一本书的信息for i in json_list['data']['saleList']: #遍历每一本书 获取其中需要的数据author = i['mediaList'][0]["authorPenname"]imgSrc = i['mediaList'][0]["coverPic"]name = i['mediaList'][0]["title"]price =i['mediaList'][0]["lowestPrice"]print(author,name,imgSrc,price)

获取数据如下：

这样是不是就舒服多了

接下来把解析好的数据给 items.py 中的类，让items.py 给数据进行封装 dict 字典格式

import scrapy
import jsonclass DyttSpider(scrapy.Spider):name = 'dytt'#链接范围，不在该范围内的url请求，都会报错，一般只写域名allowed_domains = ['e.dangdang.com']#执行文件请求的url，也就是我们创建文件的是给的url，#但是又不懂是不是，这是因为框架内部的原因弄的，大家不用在意，把刚才的url重新复制在里面就可以了。#改一下strat 和 end 这两个是前面提过的 strat=0  和 end=20#   意思也就是从索引0开始，一直到索引20，也就是21本书start_urls = ['http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=0&end=20&category=QCWX&dimension=dd_sale&order=0']def parse(self, response):json_list = json.loads(response.text)#  json_list['data']['saleList']  获取每一本书的信息for i in json_list['data']['saleList']: #遍历每一本书 获取其中需要的数据author = i['mediaList'][0]["authorPenname"]imgSrc = i['mediaList'][0]["coverPic"]name = i['mediaList'][0]["title"]price =i['mediaList'][0]["lowestPrice"]#导入items.py 中的类 也就是我们刚刚定义好的数据结构 会定义成一个字典格式的数据结构from scrapy_dytt_csdn.items import ScrapyDyttCsdnItembook = ScrapyDyttCsdnItem(author=author,imgSrc=imgSrc,name=name,price=price)

最后就是下载数据，需要交给管道，pipelines.py 文件

import scrapy
import jsonclass DyttSpider(scrapy.Spider):name = 'dytt'#链接范围，不在该范围内的url请求，都会报错，一般只写域名allowed_domains = ['e.dangdang.com']#执行文件请求的url，也就是我们创建文件的是给的url，#但是又不懂是不是，这是因为框架内部的原因弄的，大家不用在意，把刚才的url重新复制在里面就可以了。#改一下strat 和 end 这两个是前面提过的 strat=0  和 end=20#   意思也就是从索引0开始，一直到索引20，也就是21本书start_urls = ['http://e.dangdang.com/media/api.go?action=mediaCategoryLeaf&promotionType=1&deviceSerialNo=html5&macAddr=html5&channelType=html5&permanentId=20220424124301850188613824148624365&returnType=json&channelId=70000&clientVersionNo=6.8.0&platformSource=DDDS-P&fromPlatform=106&deviceType=pconline&token=&start=0&end=20&category=QCWX&dimension=dd_sale&order=0']def parse(self, response):json_list = json.loads(response.text)#  json_list['data']['saleList']  获取每一本书的信息for i in json_list['data']['saleList']: #遍历每一本书 获取其中需要的数据author = i['mediaList'][0]["authorPenname"]imgSrc = i['mediaList'][0]["coverPic"]name = i['mediaList'][0]["title"]price =i['mediaList'][0]["lowestPrice"]#导入items.py 中的类 也就是我们刚刚定义好的数据结构 会定义成一个字典格式的数据结构from scrapy_dytt_csdn.items import ScrapyDyttCsdnItembook = ScrapyDyttCsdnItem(author=author,imgSrc=imgSrc,name=name,price=price)#把数据交给管道  piplines.py  进行数据的下载yield book

5.进入pipelines.py

进行数据的下载

class ScrapyDyttCsdnPipeline:#程序执行前第一个开始此方法，该方法是框架内置方法，方法名一定不能修改，否则会报错def open_spider(self):#打开文件self.fp = open("book.json",'w',encoding='utf-8')def process_item(self, item, spider):#item 中就是 dytt.py 文件中 yield book 中返回的数据#注意 item 要转化成字符串类型，否则会报错self.fp.write(str(item))return itemdef closer_spider(self):#关闭文件self.fp.close()

让后在settings.py 文件中把这一行的注释解开，也就是打开管道，管道不带开，数据怎么进去呢，更别提下载数据了。

为了方便大家寻找进入settings 文件后按住 crat+f 进行搜索这个 ITEM_PIPELINES，就能找到了

四、运行scrapy 文件

在终端输入

scrapy crawl 爬虫文件的名字

scrapy crawl dytt

输入之后进行按下回车就可以了

最后文件book.json 文件会在 spiders文件夹下

总共105条，一本书5条数据

105/5=21（本）

所有数据都在这里了，一点都没漏，Perfect！！！

还有不懂的地方可以评论，看到了会及时回复的，谢谢大家的支持。

python爬虫基础小案例， scrapy框架，思路和经验你全都有。相关推荐

python爬虫的基本原理以及scrapy框架的使用
正则表达式基础正则表达式用于处理字符串,拥有自己独立的语法以及一个独立的处理引擎. 不同提供正则表达式的语言里正则表达式的语法都式一样. . 和 * + . 匹配任意一个字符 *匹配0或多次前面出现 ...
[python爬虫之路day19:] scrapy框架初入门day1——爬取百思不得姐段子
好久没学习爬虫了,今天再来记录一篇我的初入门scrapy. 首先scrapy是针对大型数据的爬取,简单便捷,但是需要操作多个文件以下介绍: 写一个爬虫,需要做很多的事情.比如: 发送网络请求, 数据解 ...
【python爬虫02】使用Scrapy框架爬取拉勾网招聘信息
使用Scrapy框架爬取拉勾网招聘信息最近接触了Scrapy爬虫框架,简单写了个爬虫爬取拉钩网的招聘信息,加深对Scrapy框架的理解,不得不说Scrapy框架其实还是蛮方便的,就像爬虫流水线一样, ...
Python爬虫基础：安装Scrapy爬虫框架和创建Scrapy爬虫项目
首先为了避免国外镜像不稳定,我们使用了清华大学的python库镜像:https://pypi.tuna.tsinghua.edu.cn/simple 1.安装scrapy 1.1.安装pywin32( ...
Python爬虫进阶三之Scrapy框架安装配置
初级的爬虫我们利用urllib和urllib2库以及正则表达式就可以完成了,不过还有更加强大的工具,爬虫框架Scrapy,这安装过程也是煞费苦心哪,在此整理如下. Windows 平台: 我的系统是 ...
Python 爬虫进阶三之 Scrapy 框架安装配置
初级的爬虫我们利用 urllib 和 urllib2 库以及正则表达式就可以完成了,不过还有更加强大的工具,爬虫框架 Scrapy,这安装过程也是煞费苦心哪,在此整理如下. 官网官方安装文档安装p ...
Python爬虫实战之利用Scrapy框架爬取传智播客课程数据
1.文件结构: 2.lesson.py代码 import scrapy from ts.items import TsItem from scrapy.http import Requestclass ...
Python 爬虫的小案例（男性福利）
成果源码 import os import random import ssl import timessl._create_default_https_context = ssl._create_ ...
爬虫第六讲 Scrapy框架
文章目录爬虫第六讲 Scrapy框架一.Scrapy框架 Scrapy简介工作流程 Scrapy入门 pipline使用 1.scrapy.Request知识点 2.item的介绍和使用 3. ...

python爬虫基础小案例， scrapy框架，思路和经验你全都有。

一、scrapy介绍

二、爬取步骤

三、代码

1、创建爬虫项目 scrapy startproject 项目名字
注意: 项目名字不能出现中文，也不能以数字开头。

2、创建爬虫文件

3.进入itmes.py

4.进入spiders

5.进入pipelines.py

四、运行scrapy 文件

python爬虫基础小案例， scrapy框架，思路和经验你全都有。相关推荐

最新文章

热门文章

python爬虫基础小案例， scrapy框架，思路和经验你全都有。

一、scrapy介绍

二、爬取步骤

三、代码

1、创建爬虫项目 scrapy startproject 项目名字 注意: 项目名字不能出现中文，也不能以数字开头。

2、创建爬虫文件

3.进入itmes.py

4.进入spiders

5.进入pipelines.py

四、运行scrapy 文件

python爬虫基础小案例， scrapy框架，思路和经验你全都有。相关推荐

最新文章

热门文章

1、创建爬虫项目 scrapy startproject 项目名字
注意: 项目名字不能出现中文，也不能以数字开头。