python：scrapy学习demo分享

推荐一个比较容易上手的Python 框架scrapy。

创新互联公司是一家专注于网站制作、成都网站建设与策划设计,和静网站建设哪家好?创新互联公司做网站,专注于网站建设十余年,网设计领域的专业建站公司;建站业务涵盖:和静等地区。和静做网站价格咨询:028-86922220

开发环境搭建

Python安装

下载地址：官网

这里我下载的是3.8.0的版本(我的安装目录是：D:\python\Python38-32)

安装完后设置环境变量：在path中追加：D:\python\Python38-32; D:\python\Python38-32\Scripts

升级pip

输入命令：

python -m pip install --upgrade pip

安装scrapy依赖的模块

安装wheel

进入cmd执行命令命令：

> pip install wheel

安装pywin32

下载地址：github

由于我安装的Python是32位的，估选择win32-py3.8版本，下载后双击安装即可

安装 lxml

运行命令：

> pip install lxml

安装Twisted

由于直接使用命令在线安装一直报下载超时，估采用离线安装的方式

运行命令：

> pip install Twisted-19.10.0-cp38-cp38-win32.whl

安装scrapy

运行命令：

> pip install scrapy

到目前为止就完成了scrapy环境的搭建，相对简单

编写demo

准备内容

被爬网站

选择百度图片首页：http://image.baidu.com/

规则分析

首先想到的是通过xpath的方式来爬取图片，xpath语句：//div[@class=“imgrow”]/a/img/@src。但是在编写爬虫(Spiders)的时候发现http://image.baidu.com/请求并没有将图片的URL直接返回，而是通过后面的异步请求获取，而且返回的是一个json字符串，估xpath方式行不通。

更换异步请求的URL为被爬网站：http://image.baidu.com/search/acjson?tn=resultjson_com&catename=pcindexhot&ipn=rj&ct=201326592&is=&fp=result&queryWord=&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=pcindexhot&face=0&istype=2&qc=&nc=1&fr=&pn=0&rn=30

创建scrapy项目 ImagesRename

运行命令：

> scrapy startproject ImagesRename

执行完后生成项目的目录结构如图：

其中：

spiders目录：用于放置爬虫文件

items.py：用于保存所抓取的数据的容器，其存储方式类似于 Python 的字典

pipelines.py：核心处理器，对爬取到的内容进行相应的操作，如：下载，保存等

settings.py：配置文件，修改USER_AGENT、存储目录等信息

scrapy.cfg：项目的配置文件

编写item容器 items.py

import scrapy

class ImagesrenameItem(scrapy.Item):

# define the fields for your item here like:

# name = scrapy.Field()

imgurl = scrapy.Field()

pass 郑州专业妇科医院 http://www.120zzzy.com/

创建蜘蛛文件ImgsRename.py

# -*- coding: utf-8 -*-

import scrapy

import json

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

from ImagesRename.items import ImagesrenameItem

class ImgsRenameSpider(CrawlSpider):

name = 'ImgsRename'

allowed_domains = ['image.baidu.com']

#http://image.baidu.com/ 并没有返回图片链接，而是通过异步请求接口获取的，爬取的URL必须是异步请求的链接

start_urls = ['http://image.baidu.com/search/acjson?tn=resultjson_com&catename=pcindexhot&ipn=rj&ct=201326592&is=&fp=result&queryWord=&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=&ic=0&word=pcindexhot&face=0&istype=2&qc=&nc=1&fr=&pn=0&rn=30',]

def parse(self, response):

# 实例化item

item = ImagesrenameItem()

#解析异步请求返回的json字符串

#经过分析需要的图片链接保存在json——》data——》hoverURL

jsonString = json.loads(response.text)

data = jsonString["data"]

imgUrls = []

#循环将图片URL保存到数组中

for d in data:

if d:

hov = d["hoverURL"]

imgUrls.append(hov)

item['imgurl'] = imgUrls

yield item

编写核心处理器图片下载中间件pipelines.py

# -*- coding: utf-8 -*-

# Define your item pipelines here

#

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

import re

from scrapy.pipelines.images import ImagesPipeline

from scrapy import Request

class ImagesrenamePipeline(ImagesPipeline):

def get_media_requests(self, item, info):

# 循环每一张图片地址下载

for image_url in item['imgurl']:

#发起图片下载的请求

yield Request(image_url)

修改配置文件settings.py

# -*- coding: utf-8 -*-

# Scrapy settings for ImagesRename project

BOT_NAME = 'ImagesRename'

SPIDER_MODULES = ['ImagesRename.spiders']

NEWSPIDER_MODULE = 'ImagesRename.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent

#USER_AGENT = 'ImagesRename (+http://www.yourdomain.com)'

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'

# Obey robots.txt rules

ROBOTSTXT_OBEY = False

ITEM_PIPELINES = {

'ImagesRename.pipelines.ImagesrenamePipeline': 300,

}

# 设置图片存储目录

IMAGES_STORE = 'E:\图片'

启动程序下载图片

运行命令：

scrapy crawl ImgsRename

到目前为止就已经完成了一个简单的图片爬取程序，结果如图：

当然这些下载的文件名称是一个随机数，如果需要按照一个格式的文件名存储则可以重新ImagesPipeline类的file_path方法即可，这里就不做详细的介绍