1.scrapy数据分析
2.scrapy持久化存储
3.全站数据爬取
4.请求传参 + 五大核心组件
- 创建scrapy工程 scrapy startproject ProName
切换到工程目录下 cd ProName
创建spider文件夹 scrapy genspider SpiderName www.xxx.com
-settings里面的一些设置
- LOG_LEVEL = 'ERROR'
- USER_AGENT='JHJAJHHJKAFHJFHJ'
- ROBOTSTXT_OBEY = False
-运行spider scrapy crawl SpiderName
- scrapy的数据解析
- 在scrapy中使用xpath解析标签中的文本内容或者标签属性的话,最终获取的是一个Selector的对象,且我们需要的字符串数据全部被封装在了该对象中
- 如果可以确定xpath返回的列表只有一个列表元素则使用extract_first(),否则使用extract()
- scrapy的持久化存储
- 基于终端指令:
- 可以将parse方法的返回值对应的数据进行本地磁盘文件的持久化存储
- scrapy crawl SpiderName -o filePath
- 优点:便捷
- 缺点:局限性较强(数据不可以存储到数据库,数据存储文件的后缀有要求)
- 基于管道:
-编码流程:
- 1.数据解析
- 2.在item类中进行相关属性的封装
- 3.实例化一个item类型的对象
- 4.将解析的数据存储封装到item类型的对象中
- 5.将item提交给管道
- 6.在配置文件中开启管道
- 注意事项:
- 爬虫文件提交的item只会传递给第一个被执行的管道类
- 在管道类的process_item方法中的return item,是将item传递给下一个即将被执行的管道类
- 习惯:每一个process_item中都需要编写return item
爬取糗百数据一:
1.存放在start_urls中的url会被scrapy自动的进行请求发送
2. def parse(self, response): 这个函数下面操作代码的数据解析
3.response.xpath() scrapy用来定位标签的xpath,用法和etree的xpath差不多,但是response.xpath是scrapy自己封装的
4.scrapy的数据解析
- 在scrapy中使用xpath解析标签中的文本内容或者标签属性的话,最终获取的是一个Selector的对象,且我们需要的字符串数据全部被封装在了该对象中
- 如果可以确定xpath返回的列表只有一个列表元素则使用extract_first(),否则使用extract()
5.运行之前,settings里面的一些参数需要设置
# -*- coding: utf-8 -*-
import scrapy
from qiubaiPro.items import QiubaiproItem
class QiubaiSpider(scrapy.Spider):
name = 'qiubai'
#允许的域名,一般注释掉
# allowed_domains = ['www.xxx.com']
# 存放在该列表中的url都会被scrapy自动的进行请求发送
start\_urls = \['https://www.qiushibaike.com/text/'\]
# 基于终端指令的持久化存储:可以将parse方法的返回值对应的数据进行本地磁盘文件的持久化存储
def parse(self, response):
all\_data = \[\]
#数据解析response.xpath:作者and段子内容
div\_list = response.xpath('//div\[@id="content-left"\]/div')
for div in div\_list:
#在scrapy中使用xpath解析标签中的文本内容的话,最终获取的是一个Selector的对象,且我们需要的字符串数据全部被封装在了该对象中
#如果可以确定xpath返回的列表只有一个列表元素则使用extract\_first(),否则使用extract()
author = div.xpath('./div\[1\]/a\[2\]/h2/text()').extract\_first()
content = div.xpath('./a/div/span/text()').extract()
dic = {
'author':author,
'content':content
}
all\_data.append(dic)
# print(author,content)
return all\_data
scrapy基于终端指令的持久化存储
scrap基于管道的持久化存储
1.开启管道settings设置里面 需要手动打开管道
ITEM_PIPELINES = {
'qiubaiPro.pipelines.QiubaiproPipeline': 300,
# 'qiubaiPro.pipelines.mysqlPileLine': 301,
'qiubaiPro.pipelines.redisPileLine': 302,
#300表示的是优先级,数值越小优先级越高
}
2.
- 爬虫文件中获取文件信息
- 创建一个item的类对象 item = QiubaiproItem()
- 将解析数据存储到item对象中 item['author'] = author
- 将item提交给管道类 yield item
# -*- coding: utf-8 -*-
import scrapy
from qiubaiPro.items import QiubaiproItem
class QiubaiSpider(scrapy.Spider):
name = 'qiubai'
# allowed_domains = ['www.xxx.com']
# 存放在该列表中的url都会被scrapy自动的进行请求发送
start_urls = ['https://www.qiushibaike.com/text/']
#基于管道实现持久化存储
def parse(self, response):
all\_data = \[\]
#数据解析:作者and段子内容
div\_list = response.xpath('//div\[@id="content-left"\]/div')
for div in div\_list:
#在scrapy中使用xpath解析标签中的文本内容的话,最终获取的是一个Selector的对象,且我们需要的字符串数据全部被封装在了该对象中
#如果可以确定xpath返回的列表只有一个列表元素则使用extract\_first(),否则使用extract()
author = div.xpath('./div\[1\]/a\[2\]/h2/text()').extract\_first()
if not author:
author = '匿名用户'
content = div.xpath('./a/div/span/text()').extract()
content = ''.join(content)
#创建一个item类型的对象(只可以存储一组解析的数据)
item = QiubaiproItem()
#将解析到的数据存储到item对象中
item\['author'\] = author
item\['content'\] = content
#将item提交给管道类
yield item
3.管道pipelines.py的介绍
- 管道类里面使用数据库对爬取的文件进行存储
# -*- coding: utf-8 -*-
import pymysql
from redis import Redis
class QiubaiproPipeline(object):
fp = None
#重写父类的方法:只在开始爬虫的时候被执行一次
def open_spider(self,spider):
print('开始爬虫……')
self.fp = open('./qiubai.txt','w',encoding='utf-8')
#处理item类型的对象
#什么是处理?
#将封装在item对象中的数据值提取出来且进行持久化存储
#参数item表示的就是爬虫文件提交过来的item对象
#该方法每接收一个item就会被调用一次
def process\_item(self, item, spider):
print('this is process\_item()')
author = item\['author'\]
content = item\['content'\]
self.fp.write(author+':'+content+"\\n")
#返回的item就会传递给下一个即将被执行的管道类
return item
def close\_spider(self,spider):
print('结束爬虫!')
self.fp.close()
#将数据同时存储到mysql
class mysqlPileLine(object):
conn = None
cursor = None
def open_spider(self,spider):
self.conn = pymysql.Connect(host='127.0.0.1',port=3306,db='spider',user='root',password='',charset='utf8')
print(self.conn)
def process_item(self,item,spider):
sql = 'insert into qiubai values ("%s","%s")'%(item['author'],item['content'])
#创建一个游标对象
self.cursor = self.conn.cursor()
try:
self.cursor.execute(sql)
self.conn.commit()
except Exception as e:
print(e)
self.conn.rollback()
return item
def close_spider(self,spider):
self.cursor.close()
self.conn.close()
#数据存储到redis中
class redisPileLine(object):
conn = None
def open_spider(self,spider):
self.conn = Redis(host='127.0.0.1',port=6379)
def process_item(self,item,spider):
dic = {
'author':item['author'],
'content':item['content']
}
self.conn.lpush('qiubaiData',dic)
4.item.py的介绍
- item.py文件中定义item类型的属性
import scrapy
class QiubaiproItem(scrapy.Item):
# define the fields for your item here like:
author = scrapy.Field()
content = scrapy.Field()
手机扫一扫
移动阅读更方便
你可能感兴趣的文章