标签：优先级 ide parse efi sel erp 调用 agent 不能
scrapy简单使用方法
1.创建项目：
scrapy startproject 项目名
例如：
scrapy startproject baike
windows下，cmd进入项目路径例如
d:\pythonCode\spiderProject>scrapy startproject baidubaike
将创建项目名为 baidubaike
2.使用命令创建一个爬虫：
scrapy genspider 爬虫名称 需要爬取的网址
scrapy genspider baike baike.baidu.com
注意：爬虫名称不能和项目名相同
d:\pythonCode\spiderProject\baidubaike>scrapy genspider baike baike.baidu.com
命令执行后将在d:\pythonCode\spiderProject\baidubaike\baidubaike\spiders\下，生成baike.py
3.修改baike.py文件
import scrapy
from scrapy.http.response.html import HtmlResponse
from scrapy.selector.unified import SelectorList
class BaikeSpider(scrapy.Spider):
#爬虫名称
name = ‘baike‘
#需要爬取的网址
allowed_domains = [‘baike.baidu.com‘]
#起始网址
start_urls = [‘https://baike.baidu.com/art/%E6%8B%8D%E5%8D%96%E8%B5%84%E8%AE%AF‘]
def parse(self, response):
uls = response.xpath("//div[@class=‘list-content‘]/ul")
for ul in uls:
lis = ul.xpath(".//li")
#print(lis)
for li in lis:
title = li.xpath(".//a/text()").get()
time = li.xpath(".//span/text()").get()
yield {‘title‘:title, ‘time‘:time}
4.修改settings.py文件
1)开启 DEFAULT_REQUEST_HEADERS
修改如下
DEFAULT_REQUEST_HEADERS = {
‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8‘,
‘Accept-Language‘: ‘en‘,
‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36‘
}
2)将 ROBOTSTXT_OBEY = True 改为 ROBOTSTXT_OBEY = False
说明：
默认为True，就是要遵守robots.txt 的规则
将此配置项设置为 False ，拒绝遵守 Robot协议
3)开启 ITEM_PIPELINES
ITEM_PIPELINES = {
‘baidubaike.pipelines.BaidubaikePipeline‘: 300,
}
其中，ITEM_PIPELINES是一个字典文件，键为要打开的ItemPipeline类，值为优先级，ItemPipeline是按照优先级来调用的，值越小，优先级越高。
5.修改pipelines.py文件
# -*- 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 json
class BaidubaikePipeline(object):
def __init__(self):
#pass
self.fp = open(‘baike.json‘, ‘w‘, encoding=‘utf-8‘)
def open_spider(self, spider):
print(‘爬虫开始了。。‘)
def process_item(self, item, spider):
#text = item[‘title‘] + ‘,‘ + item[‘time‘]
#print(‘============‘)
#print(‘text‘)
#print(‘============‘)
item_json = json.dumps(item, ensure_ascii=False)
self.fp.write(item_json+ ‘\n‘)
return item
def close_spider(self, spider):
self.fp.close()
print(‘爬虫结束了。。‘)
6.运行爬虫
scrapy crawl 爬虫名
d:\pythonCode\spiderProject\baidubaike\baidubaike>scrapy crawl baike
标签：优先级 ide parse efi sel erp 调用 agent 不能
原文地址：https://www.cnblogs.com/WebLinuxStudy/p/11599519.html
