(python爬虫框架scrapy)(python爬虫框架scrapy教程交流)

1.分析页面确定爬取思路

我们要抓取的页面很简单如下所示：

首先页面没有使用任何的动态加载的技术，我们能够使用正则直接匹配，另外我们翻页也能够使用改变 url 的 offset 来实现

思路梳理：

(1)请求第一页得到源代码进行下一步分析

(2)获取首页内容并改变 URL 链接准备下一页的请求

(3)获取下一页源代码

(4)将结果保存为文件格式或者存储进数据库

3.scrapy 的初次使用

创建项目

>>scrapy startproject quotetutorial

>>cd quotetutorial

>>scrapy genspider quotes quotes.toscrape.com

使用 pycharm 打开项目

定义存储结构

编写页面解析函数

使用 scrpay shell 进行交互测试

>>scrapy shell quotes.toscrape.com

运行我们的“简陋”的爬虫

>>scrapy crawl quotes

我们可以看到我们想要抓取的第一页的结果已经大致上输出了

完善我们的爬虫实现每一页的抓取

将我们爬取到的数据保存

>>scrapy crawl quotes -o quotes.json

除了能保存成 json 后缀的文件以外，我们还能保存成 jl(jsonline，每一行都是一条 json )，或者是 csv 格式，再或者是 xml 格式等，甚至还支持保存到远程 ftp 服务器的形式

-o ftp://user:pass@ftp.example.com/path/quotes.json

对获取到的数据进行其他的处理

如果有一些 item 是我们不想要的，或者是我们想把 item 保存到数据库的话，上面的方法似乎就不是那么适用了，我们就要借助于 scrapy 给我们提供的另一个组件 pipelines.py 帮我们实现

比如我们现在有这样的需求，我们想把名言超出我们规定的长度的部分删除，并且加上三个省略号

另外我们如果还想存储进数据库的话，我们还要自己写一个 pipeline

数据库的设置我们需要在 settings.py 中添加配置项

MONGO_URL = 'localhost'

MONGO_DB = 'quotes'

然后是我们需要在 settings.py 中开启启动 pipeline 的选项，使我们的配置生效

2.最终代码实现

quotes.py

items.py

pipelines.py

3.最终运行效果