Python爬蟲框架Scrapy基本用法入門教程

更新時間：2018年07月26日 11:49:38 作者：噴跑的豆子

這篇文章主要介紹了Python爬蟲框架Scrapy基本用法,結合實例形式分析了xpath簡單使用、xmlfeed模板、csvfeed模板及crawlfeed模板簡單使用方法,需要的朋友可以參考下

本文實例講述了Python爬蟲框架Scrapy基本用法。分享給大家供大家參考，具體如下：

Xpath

<html>
<head>
  <title>標題</title>
</head>
<body>
  <h2>二級標題</h2>
  <p>爬蟲1</p>
  <p>爬蟲2</p>
</body>
</html>

在上述html代碼中，我要獲取h2的內容,我們可以使用以下代碼進行獲?。?/p>

info = response.xpath("/html/body/h2/text()")

可以看出/html/body/h2為內容的層次結構，text()則是獲取h2標簽的內容。//p獲取所有p標簽。獲取帶具體屬性的標簽：//標簽[@屬性="屬性值"]

<div class="hide"></div>

獲取class為hide的div標簽

div[@class="hide"]

再比如，我們在谷歌Chrome瀏覽器上的Console界面使用$x['//h2']命令獲取頁面中的h2元素信息：

xmlfeed模板

創(chuàng)建一個xmlfeed模板的爬蟲

scrapy genspider -t xmlfeed abc iqianyue.com

核心代碼:

from scrapy.spiders import XMLFeedSpider
class AbcSpider(XMLFeedSpider):
  name = 'abc'
  start_urls = ['http://yum.iqianyue.com/weisuenbook/pyspd/part12/test.xml']
  iterator = 'iternodes' # 迭代器，默認為iternodes，是一個基于正則表達式的高性能迭代器。除了iternodes,還有“html”和“xml”
  itertag = 'person' # 設置從哪個節(jié)點(標簽)開始迭代
  # parse_node會在節(jié)點與提供的標簽名相符時自動調用
  def parse_node(self, response, selector):
    i = {}
    xpath = "/person/email/text()"
    info = selector.xpath(xpath).extract()
    print(info)
    return i

csvfeed模板

創(chuàng)建一個csvfeed模板的爬蟲

scrapy genspider -t csvfeed csvspider iqianyue.com

核心代碼

from scrapy.spiders import CSVFeedSpider
class CsvspiderSpider(CSVFeedSpider):
  name = 'csvspider'
  allowed_domains = ['iqianyue.com']
  start_urls = ['http://yum.iqianyue.com/weisuenbook/pyspd/part12/mydata.csv']
  # headers 主要存放csv文件中包含的用于提取字段的信息列表
  headers = ['name', 'sex', 'addr', 'email']
  # delimiter 字段之間的間隔
  delimiter = ','
  def parse_row(self, response, row):
    i = {}
    name = row["name"]
    sex = row["sex"]
    addr = row["addr"]
    email = row["email"]
    print(name,sex,addr,email)
    #i['url'] = row['url']
    #i['name'] = row['name']
    #i['description'] = row['description']
    return i

crawlfeed模板

創(chuàng)建一個crawlfeed模板的爬蟲

scrapy genspider -t crawlfeed crawlspider sohu.com

核心代碼

class CrawlspiderSpider(CrawlSpider):
  name = 'crawlspider'
  allowed_domains = ['sohu.com']
  start_urls = ['http://sohu.com/']
  rules = (
    Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
  )
  def parse_item(self, response):
    i = {}
    #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
    #i['name'] = response.xpath('//div[@id="name"]').extract()
    #i['description'] = response.xpath('//div[@id="description"]').extract()
    return i

上面代碼rules部分中的LinkExtractor為連接提取器。

LinkExtractor中對應的參數及含義

參數名	參數含義
allow	提取符合正則表達式的鏈接
deny	不提取符合正則表達式的鏈接
restrict_xpaths	使用XPath表達式與allow共同作用提取同時符合對應XPath表達式和對應正則表達式的鏈接
allow_domains	允許提取的域名，比如我們想只提取某個域名下的鏈接時會用到
deny_domains	進制提取的域名