爬虫框架Scrapy 之(四) —
- 2020 年 1 月 16 日
- 筆記
解析后返回可迭代对象
- 这个对象返回以后就会被爬虫重新接收，然后进行迭代
- 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中
- 如果管道开启，则每迭代一次数据就会将其输入到管道中（在settings文件中可以开启管道）
1. budejie.py 文件
1 def parse(self, response): 2 # 这个函数是解析函数，它是通过下载来回调，下载器下载完成一个url数据以后就会回调这个函数并且把下载的响应对象通过response参数传递过来 3 print(response) 4 # 解析response 5 contents = response.xpath("//div[@class='j-r-list']/ul/li") # scrapy中自带xpath和css两种解析方法 6 # print(contents) 7 for content in contents: 8 item = {} 9 item["author"] = content.xpath(".//a[@class='u-user-name']/text()").extract()[0] 10 # scrapy的xpath和css方法中返回出来的是一个Selector对象列表，我们需要用extract函数将内容从这个对象中提取出来 11 item["authorImg"] = content.xpath(".//img[@class='u-logo lazy']/@data-original").extract()[0] 12 item["content"] = content.xpath(".//div[@class='j-r-list-c-desc']/a/text()").extract()[0] 13 item["imgSrc"] = content.xpath(".//img[@class='lazy']/@data-original").extract()[0] 14 # print(item) 15 yield item # 每一个解析函数最后都要返回出去一个可迭代的对象 16 # 这个对象返回以后就会被爬虫重新接收，然后进行迭代 17 # 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中 18 # 如果管道开启，则每迭代一次数据就会将其输入到管道中（在settings文件中可以开启管道）
开启管道，将迭代的对象传入管道
- 在setting.py 文件中开启管道（67–69行）
1 ITEM_PIPELINES = { 2 'MyFirstScrapy.pipelines.MyfirstscrapyPipeline': 300, 3 # settings文件中可以配置相关的组件，其中ITEM_PIPELINES就是其中的一种组件（即管道组件），管道组件的值是一个字典，代表可以设置多个值 4 # 字典中的一个键值对就代表着一个管道组件，键代表当前管道组件的位置，值代表当前管道组件的优先级（数字越小优先级越大） 5 6 # 数据会按照管道优先级，从高向低传递 7 'MyFirstScrapy.pipelines.CSVPipeline': 200 8 9 }
MyfirstscrapyPipeline 管道类
- 在pipelines.py 文件中 声明、设置管道类
1 class MyfirstscrapyPipeline(object): 2 # 这个类集成自一个普通类，但是如果我们把它加入到管道组件中就变成了一个管道类 3 4 # 一个管道类有以下三个生命周期函数 5 def open_spider(self,spider): 6 print("爬虫开启") 7 print("当前开启的爬虫为：",spider) 8 # 创建一个redis链接 9 self.rds = redis.StrictRedis(host="www.fanjianbo.com",port=6379,db=8) 10 11 def process_item(self, item, spider): 12 # 当爬虫解析完数据以后，这个方法去迭代返回到管道中数据 13 print("爬虫正在迭代数据...") 14 print("当前正在%s爬虫迭代的数据是：%s"%(spider,item)) 15 # 向redis数据库中存入数据 16 self.rds.lpush("budejie",item) 17 return item 18 # 每迭代一次以后，一定将迭代过的数据return出去 19 20 def close_spider(self,spider): 21 print("爬虫%s关闭！"%spider) 22 23 24 25 # 声明一个管道类，用于写csv数据 26 class CSVPipeline(object): 27 def open_spider(self,spider): 28 # 打开csv文件 29 self.csvfile = open("data.csv","a+",newline='',encoding="utf-8") 30 self.writer = csv.writer(self.csvfile) 31 self.writer.writerow(["author","authorImg","content","imgSrc"]) 32 33 def process_item(self,item,spider): 34 vals = [] 35 for k,v in item.items(): 36 vals.append(v) 37 self.writer.writerow(vals) 38 return item 39 # 如果优先级高的管道跌打完数据以后不返回出去， 40 # 这个数据就会销毁，后面的管道就无法使用该数据 41 42 def close_spider(self,spider): 43 self.csvfile.close()
post请求
scrapy的下载器有Request和FormRequest两种，分别用来处理get请求和post请求
import scrapy class FanyiSpider(scrapy.Spider): name = 'fanyi' allowed_domains = ['baidu.com'] # start_urls = ['https://fanyi.baidu.com/sug'] # scrapy中的下载器有两种：get请求的下载器 和 post请求的下载器 # （默认是发起get请求，引擎启动以后首先会从start_urls中提取起始地址，然后直接发起get请求） # 如果发起post请求首先要把start_urls注释掉 # 重写生命周期函数 def start_requests(self): # 这生命周期函数在下载启动之前调用 print("下载器将要启动...") # post的url post_url = "https://fanyi.baidu.com/sug" # post参数 data = { "kw":"a" } # 发起请求 scrapy的下载器有Request和FormRequest两种，分别用来处理get请求和post请求 yield scrapy.FormRequest(url=post_url,formdata=data,callback=self.parse_post) # 定义一个函数，用于post请求的回调 def parse_post(self, response): print(response.text)
