scrapy框架回顾

Microsoft Windows [版本 10.0.16299.309]
(c) 2017 Microsoft Corporation。保留所有权利。

C:\Users\felix>cd C:\Users\felix\PycharmProjects\scrapy_quotes

C:\Users\felix\PycharmProjects\scrapy_quotes>scrapy startproject quotes
New Scrapy project ‘quotes‘, using template directory ‘c:\\users\\felix\\appdata\\local\\programs\\python\\python36\\lib\\site-packages\\scrapy\\templates\\project‘, created in:
    C:\Users\felix\PycharmProjects\scrapy_quotes\quotes

You can start your first spider with:
    cd quotes
    scrapy genspider example example.com

import scrapy
from quotes.items import QuotesItem


class QuotespiderSpider(scrapy.Spider):
    name = ‘quotespider‘  # 爬虫名称
    allowed_domains = [‘quotes.toscrape.com‘]  # 允许爬虫访问的域名，可以多个
    start_urls = [‘http://quotes.toscrape.com/‘] # 爬虫开始的url地址

    def parse(self, response):  # 爬虫返回的数据解析函数
        quotes = response.css(‘.quote‘)  # 通过css选择器选择相应的内容
        for quote in quotes:
            item = QuotesItem()  # item做数据持久化的
            text = quote.css(‘.text::text‘).extract_first()  # ::text 表示输出文本内容
            author = quote.css(‘.author::text‘).extract_first()  # ::text 表示输出文本内容
            tags = quote.css(‘.tags .tag::text‘).extract()  # extract_first() 表示找第一个，extract()表示找到所有，并返回一个列表
            item[‘text‘] = text  # 赋值  首先要在items类中创建
            item[‘tags‘] = tags
            item[‘author‘] = author
            yield item  # 生成item 做数据存储
        next = response.css(‘.pager .next a::attr(href)‘).extract_first()  # 得到相对的url
        url = response.urljoin(next)  # 获取一个绝对的url，获取下一页的url
        yield scrapy.Request(url=url, callback=self.parse)  # 处理链接，将返回的response交给callback的回调函数

# scrapy shell quotes.toscrape.com  # 进入命令行调试
# scrapy crawl quotes -o quotes.json(.csv  .xml)     # 数据保存，可以保存多个类型

import scrapy


class QuotesItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    text=scrapy.Field()  #创建文本字段
    author=scrapy.Field() # 创建作者字段
    tags=scrapy.Field()  # 创建标签字段

import pymongo
from scrapy.exceptions import DropItem



# 要使用pipline一定要在设置中指定
class QuotesPipeline(object):
    def process_item(self, item, spider):
        return item


# 一个pipeline要么返回item 要么返回dropitem
class TextPipeline(object):
    def __init__(self):
        self.limit = 50

    def process_item(self, item, spider):
　　　　　# 这里的item为item类中的item
　　　　　# 大于50字的文本进行处理
        if item[‘text‘]:
            if len(item[‘text‘]) > self.limit:
                item[‘text‘] = item[‘text‘][0:self.limit].rstrip() + ‘...‘
                return item
        else:
            return DropItem(‘Missing Text‘)


# 添加数据库的操作
class MongoPipeline(object):
    def __init__(self, mongo_url, mongo_db):
　　　　 # 初始化数据库
        self.mongo_url = mongo_url
        self.mongo_db = mongo_db

　　 # 该类方法可以从设置中读取数据
    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            # 从设置里面获取数据库的设置信息
            mongo_url=crawler.settings.get(‘MONGO_URL‘),
            mongo_db=crawler.settings.get(‘MONGO_DB‘)
        )

    def open_spider(self, spider):  # 启动爬虫时做的操作
　　　　 # 初始化数据库
        self.client = pymongo.MongoClient(self.mongo_url)
        self.db = self.client[self.mongo_db]

　　 # 处理item的方法，必须实现返回item或者dropitem
    def process_item(self, item, spider):
        name = item.__class__.__name__  # item的名称
        self.db[name].insert(dict(item))
        return item

    def close_spider(self, spider):
        self.client.close()  # 结束爬虫时关闭数据库