scrapy框架初识1

目录

scrapy框架介绍：

scrapy框架的基本使用：

  scrapy数据解析操作：

​scrapy持久化存储：

 将爬取到的数据一份存储到本地一份存储到数据库，如何实现？

scrapy框架介绍：

框架就是一个集成了很多功能并且具有很强通用性的一个项目模板。

scrapy框架：是爬虫中封装好的一个明星框架。

功能：高性能的持久化存储，异步的数据下载，高性能的数据解析，分布式。

scrapy框架的基本使用：

        —环境的安装：pip install scrapy

        —创建一个工程：scrapy startproject xxxPro(项目名称) 

                -cd xxx  ->scrapy genspider spiderName www.xxx.com(在spiders子目录中创建一个爬                                     虫文件)

        —执行工程： – scrapy crawl spiderName

例如 ：

  scrapy数据解析操作：

对最新段子_搞笑段子_幽默段子 – 糗事大百科进行一个爬取，获取段子名称+内容

 首先进入settings.py更改这些信息

 爬虫文件代码

import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.qiushidabaike.com/']

    def parse(self, response):
        dl_list = response.xpath('//div[@class="main-left fl"]/dl')
        for dl in dl_list:
            # xpath返回的是列表,但是列表元素一定是Selector类型的对象
            # extract()可以将Selector对象中data参数存储的字符串提取出来
            # author=dl.xpath('./dt/span/a/text()')[0].extract()
            author = dl.xpath('./dt/span/a/text()').extract_first()  # 列表中只有一个元素可以使用extract_first()
           text = dl.xpath('./dd[1]//text() | ./dd[1]/p//text()').extract()
            text = ''.join(text)
            print(author,text)

scrapy持久化存储：

-基于终端指令：

        -要求：只可以将parse方法的返回值存储到本地的文本文件中

        -注意：持久化存储对应的文本文件的类型只可以为：'json', 'jsonlines', 'jl', 'csv', 'xml', 'marshal', 'pickle

        – 指令：scrapy crawl xxx -o filePath

       – 好处：简介高效便捷

       – 缺点：局限性比较强（数据只可以存储到指定后缀的文本文件中）

import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.qiushidabaike.com/']

    def parse(self, response):
        dl_list = response.xpath('//div[@class="main-left fl"]/dl')
        all_data = []
        for dl in dl_list:
            # xpath返回的是列表,但是列表元素一定是Selector类型的对象
            # extract()可以将Selector对象中data参数存储的字符串提取出来
            # author=dl.xpath('./dt/span/a/text()')[0].extract()
            author = dl.xpath('./dt/span/a/text()').extract_first()  # 列表中只有一个元素可以使用extract_first()
            text = dl.xpath('./dd[1]//text() | ./dd[1]/p//text()').extract()
            text = ''.join(text)
            dic = {
                'author': author,
                'text': text
            }
            all_data.append(dic)
        return all_data

 – 基于管道：

         – 编码流程：

                 – 数据解析

                         – 在item类中定义相关的属性

                         – 将解析的数据封装存储到item类型的对象

                         – 将item类型的对象提交给管道进行持久化存储的操作

                         – 在管道类的process_item中要将其接受到的item对象中存储的数据进行持久化存                                     储操作  

                         – 在配置文件中开启管道

                         – 好处：通用性强。

demo.py
import scrapy
from demo2.items import Demo2Item

class DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.qiushidabaike.com/']

    def parse(self, response):
        #        解析作者的名称+段子内容
        dl_list = response.xpath('//div[@class="main-left fl"]/dl')
        for dl in dl_list:
            # xpath返回的是列表,但是列表元素一定是Selector类型的对象
            # extract()可以将Selector对象中data参数存储的字符串提取出来
            # author=dl.xpath('./dt/span/a/text()')[0].extract()
            author = dl.xpath('./dt/span/a/text()').extract_first()  # 列表中只有一个元素可以使用extract_first()
            text = dl.xpath('./dd[1]//text() | ./dd[1]/p//text()').extract()
            text = ''.join(text)
            item = Demo2Item()
            item['author'] = author
            item['text'] = text
            yield item  # 将item提交给了管道

items.py
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class Demo2Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author = scrapy.Field()
    text = scrapy.Field()
    pass


pipelines.py
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class Demo2Pipeline:
    fp=None
    #重写父类的一个方法：该方法只会在开始爬虫的时候被调用一次
    def open_spider(self,spider):
        print('爬虫开始！')
        self.fp = open('./qiushi.txt','w',encoding='utf-8')
    #该方法用来接受爬虫文件提交过来的item对象
    def process_item(self, item, spider):
        author=item['author']
        text=item['text']
        self.fp.write(author+':'+text+'\n')
        return item #传递给下一个即将被执行的管道类

    def close_spider(self,spider):
        print('爬虫结束！')
        self.fp.close()

 settings.py中开启管道

 运行：

 结果:

 将爬取到的数据一份存储到本地一份存储到数据库，如何实现？

        – 管道文件中一个管道类对应的是将数据存储到一种平台

        – 爬虫文件提交的item只会给管道文件中第一个被执行的管道类接受

        – process_item中的return item表示将item传递给下一个即将被执行的管道类

pipelines.py



from itemadapter import ItemAdapter
import pymysql

class Demo2Pipeline:
    fp=None
    #重写父类的一个方法：该方法只会在开始爬虫的时候被调用一次
    def open_spider(self,spider):
        print('爬虫开始！')
        self.fp = open('./demo.txt','w',encoding='utf-8')
    #该方法用来接受爬虫文件提交过来的item对象
    def process_item(self, item, spider):
        author=item['author']
        text=item['text']
        self.fp.write(author+':'+text+'\n')
        return item #传递给下一个即将被执行的管道类

    def close_spider(self,spider):
        print('爬虫结束！')
        self.fp.close()

class mysqlPileLine:
    conn=None
    cursor = None
    def open_spider(self,spider):
        self.coon = pymysql.Connect(host='127.0.0.1',user='root',password='123456',db='rxkc',charset='utf8')
    def process_item(self, item, spider):
        self.cursor=self.coon.cursor()
        try:
            self.cursor.execute('insert into qiushi values("%s","%s")'%(item["author"],item["text"]))
            self.coon.commit()
        except Exception as e:
            print(e)
            self.coon.rollback()
        return item
    def close_spider(self,spider):
        self.cursor.close()
        self.coon.close()

 settings.py中开启管道

结果：

来源：一事无成～