本文的文字及图片来源于网络,仅供学习、交流使用,不具备任何商业用途,版权归原做者全部,若有问题请及时联系咱们以做处理。css
做者: 程序员野客python
PS:若有须要Python学习资料的小伙伴能够加点击下方连接自行获取程序员
http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cefweb
制做 Scrapy 爬虫需以下四步:服务器
咱们以爬取去哪儿网北京景区信息为例,如图所示:
建立项目网络
在咱们须要新建项目的目录,使用终端命令 scrapy startproject
项目名 建立项目,我建立的目录结构如图所示:
dom
定义 Itemscrapy
Item 是保存爬取数据的容器,使用的方法和字典差很少。咱们计划提取的信息包括:area(区域)、sight(景点)、level(等级)、price(价格),在 items.py 定义信息,源码以下:ide
import scrapy class TicketspiderItem(scrapy.Item): area = scrapy.Field() sight = scrapy.Field() level = scrapy.Field() price = scrapy.Field() pass
爬虫实现svg
在 spiders 目录下使用终端命令 scrapy genspider 文件名 要爬取的网址 建立爬虫文件,而后对其修改及编写爬取的具体实现,源码以下:
import scrapy from ticketSpider.items import TicketspiderItem class QunarSpider(scrapy.Spider): name = 'qunar' allowed_domains = ['piao.qunar.com'] start_urls = ['https://piao.qunar.com/ticket/list.htm?keyword=%E5%8C%97%E4%BA%AC®ion=&from=mpl_search_suggest'] def parse(self, response): sight_items = response.css('#search-list .sight_item') for sight_item in sight_items: item = TicketspiderItem() item['area'] = sight_item.css('::attr(data-districts)').extract_first() item['sight'] = sight_item.css('::attr(data-sight-name)').extract_first() item['level'] = sight_item.css('.level::text').extract_first() item['price'] = sight_item.css('.sight_item_price em::text').extract_first() yield item # 翻页 next_url = response.css('.next::attr(href)').extract_first() if next_url: next_url = "https://piao.qunar.com" + next_url yield scrapy.Request( next_url, callback=self.parse )
简单介绍一下:
yield
在上面的代码中咱们看到有个 yield,简单说一下,yield 是一个关键字,做用和 return 差很少,差异在于 yield 返回的是一个生成器(在 Python 中,一边循环一边计算的机制,称为生成器),它的做用是:有利于减少服务器资源,在列表中全部数据存入内存,而生成器至关于一种方法而不是具体的信息,占用内存小。
爬虫假装
一般须要对爬虫进行一些假装
DOWNLOADER_MIDDLEWARES = { # 关闭默认方法 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None, # 开启 'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 400, }
保存数据
咱们将数据保存到本地的 csv 文件中,csv 具体操做能够参考:CSV 文件读写,下面看一下具体实现。
首先,在 pipelines.py 中编写实现,源码以下:
import csv class TicketspiderPipeline(object): def __init__(self): self.f = open('ticker.csv', 'w', encoding='utf-8', newline='') self.fieldnames = ['area', 'sight', 'level', 'price'] self.writer = csv.DictWriter(self.f, fieldnames=self.fieldnames) self.writer.writeheader() def process_item(self, item, spider): self.writer.writerow(item) return item def close(self, spider): self.f.close()
而后,将 settings.py 文件中以下代码:
ITEM_PIPELINES = { 'ticketSpider.pipelines.TicketspiderPipeline': 300, }
放开便可。
运行
咱们在 settings.py 的同级目录下建立运行文件,名字自定义,放入以下代码:
from scrapy.cmdline import execute execute('scrapy crawl 爬虫名'.split())
这个爬虫名就是咱们以前在爬虫文件中的 name 属性值,最后在 Pycharm 运行该文件便可。