scrapyフレームワークの概要と基礎応用

目次

scrapyフレームワークの概要と基礎応用

取付

基本用法

1.プロジェクトの作成:scrapy startprojectプロジェクト名

2.爬虫類アプリケーションの作成:

3.爬虫類ファイルの作成:

4.設定変更settings.pyプロファイル関連構成:

5.爬虫類プログラムの実行:scrapy crawlアプリケーション名

小試牛刀:恥ずかしい百トップページの中のネタの内容とタイトルを

に登る

scrapyフレームワークの概要と基礎応用
Scrapyとは?

Scrapyは、Webサイトのデータを取得し、構造的なデータを抽出するために作成されたアプリケーションフレームワークであり、非常に有名で、非常に強い.フレームワークとは,様々な機能(高性能非同期ダウンロード,キュー,分散,解析,持続化など)が統合された汎用性の高いプロジェクトテンプレートである.フレームワークの学習には,そのフレームワークの特性,各機能の使い方を学習することに重点を置く.

インストール
Linux:

  pip3 install scrapy

Windows:

  :          

  a. pip3 install wheel

  b.   twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

  c.       ，   pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

  d. pip3 install pywin32

  e. pip3 install scrapy

基本的な使い方
1.プロジェクトの作成:scrapy startprojectプロジェクト名
プロジェクト構造:

project_name/
   scrapy.cfg：
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py

scrapy.cfg           。（            settings.py   ）
items.py             ，       ， ：Django Model
pipelines           
settings.py      ， ：     、   ，     
spiders          ， ：    ，        

2.爬虫類アプリケーションの作成:
cd project_name(プロジェクトディレクトリに入る)
scrapy genspiderアプリケーション名Webページの開始url(例:scrapy genspider qiubai www.qiushibaike.com)
3.爬虫類ファイルの作成:
ステップ2の実行が完了すると、プロジェクトのspidersにアプリケーション名のpy爬虫類ファイルが生成され、ファイルソースは次のようになります.

# -*- coding: utf-8 -*-
import scrapy

class QiubaiSpider(scrapy.Spider):
    name = 'qiubai' #    
    #       （         url       ）
    allowed_domains = ['https://www.qiushibaike.com/']
    #     url
    start_urls = ['https://www.qiushibaike.com/']

     #    URL           ，    response        url     ，       .                NUll 
     def parse(self, response):
        print(response.text) #            
        print(response.body)#           

4.設定変更settings.pyプロファイル関連構成:

          ：
19 ：USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' #        

22 ：ROBOTSTXT_OBEY = False  #         robots  

5.爬虫類プログラムの実行:scrapy crawlアプリケーション名
小试牛刀:耻ずかしい百トップページの中のネタの内容とタイトルを爬取する

# -*- coding: utf-8 -*-
import scrapy

class QiubaiSpider(scrapy.Spider):
    name = 'qiubai'
    allowed_domains = ['https://www.qiushibaike.com/']
    start_urls = ['https://www.qiushibaike.com/']

    def parse(self, response):
        #xpath response    ，   xpath            
        odiv = response.xpath('//div[@id="content-left"]/div')
        content_list = [] #          
        for div in odiv:
            #xpath        ，         Selector     。             Selector   ，    extract()         Selecor   。
            author = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].extract()
            content=div.xpath('.//div[@class="content"]/span/text()')[0].extract()

            #             
            dic={
                '  ':author,
                '  ':content
            }
            #      content_list     
            content_list.append(dic)

        return content_list

爬虫類プログラムの実行:

scrapy crawl      ：                

scrapy crawl      --nolog：                 

転載先:https://www.cnblogs.com/konghui/p/10809256.html