标签:settings telnet 控制 txt 数据 ini als css set
内置支持 selecting and extracting 使用扩展的CSS选择器和XPath表达式从HTML/XML源中获取数据,并使用正则表达式提取助手方法。
interactive shell console (ipython-aware)用于尝试使用css和xpath表达式来获取数据,在编写或调试spider时非常有用。
内置支持 generating feed exports 以多种格式(json、csv、xml)存储在多个后端(ftp、s3、本地文件系统)
强大的编码支持和自动检测,用于处理外部、非标准和中断的编码声明。
Strong extensibility support ,允许您使用 signals 以及定义良好的API(中间件, extensions 和 pipelines )
广泛的内置扩展和用于处理的中间产品:
cookie和会话处理
HTTP功能,如压缩、身份验证、缓存
用户代理欺骗
robots.txt
爬行深度限制
更多
A Telnet console 用于挂接到运行在Scrapy进程中的Python控制台,以便内省和调试爬虫程序
还有其他的好东西,比如可重复使用的蜘蛛 Sitemaps 和XML/CSV源,这是 automatically downloading images (或任何其他媒体)与抓取的项目、缓存DNS解析程序等相关!
拿一个官方例子来看
import scrapy
class QuotesSpider(scrapy.Spider):
name = ‘quotes‘
start_urls = [
‘http://quotes.toscrape.com/tag/humor/‘,
]
def parse(self, response):
for quote in response.css(‘div.quote‘):
yield {
‘text‘: quote.css(‘span.text::text‘).get(),
‘author‘: quote.xpath(‘span/small/text()‘).get(),
}
next_page = response.css(‘li.next a::attr("href")‘).get()
if next_page is not None:
yield response.follow(next_page, self.parse)
这里内置了scrapy.Spider,name就是每个的名字,这个start_urls是我们开启这个项目他就会第一个发起请求的列表,他就会自动交给parse函数处理,而且我们不能改parse这个名字,这里面的response就是返回的源代码
首先是我们创建一个项目
scrapy startproject tutorial
tutorial就是我们的项目名
F:\python post\code\ScrapyT>scrapy startproject tutorial
New Scrapy project ‘tutorial‘, using template directory ‘g:\python3.8\lib\site-packages\scrapy\templates\project‘, created in:
F:\python post\code\ScrapyT\tutorial
You can start your first spider with:
cd tutorial
scrapy genspider example example.com
F:\python post\code\ScrapyT>
然后就是cd tutorial和scrapy genspider example example.com这里的example就是我们的要获取的网址,这里就默认
F:\python post\code\ScrapyT>cd tutorial
F:\python post\code\ScrapyT\tutorial>scrapy genspider example example.com
Created spider ‘example‘ using template ‘basic‘ in module:
tutorial.spiders.example
F:\python post\code\ScrapyT\tutorial>
然后我们就可以看到目录下生成了这个py文件
import scrapy
class ExampleSpider(scrapy.Spider):
name = ‘example‘
allowed_domains = [‘example.com‘]
start_urls = [‘http://example.com/‘]
def parse(self, response):
pass
我们使用时候在这里修改就行了
然后我们可以看到这里生成了很多文件,首先在使用了scrapy startproject tutorial后就生成了
tutorial/
scrapy.cfg # deploy configuration file
tutorial/ # project‘s Python module, you‘ll import your code from here
__init__.py
items.py # project items definition file
middlewares.py # project middlewares file
pipelines.py # project pipelines file
settings.py # project settings file
spiders/ # a directory where you‘ll later put your spiders
__init__.py
这些内容,这个spiders文件夹是存放我们的爬虫代码的,items是用来写爬虫代码的,middlewares是一些钩子,pipelines是中间件就下载一些东西要储存在这里改,settings是一些设置一些线程多开缓存啥啥的,scrapy.cfg是如果要部署在网页上需要设置的
这里第一只蜘蛛
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
def start_requests(self):
urls = [
‘http://quotes.toscrape.com/page/1/‘,
‘http://quotes.toscrape.com/page/2/‘,
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
page = response.url.split("/")[-2]
filename = ‘quotes-%s.html‘ % page
with open(filename, ‘wb‘) as f:
f.write(response.body)
self.log(‘Saved file %s‘ % filename)
运行scrapy crawl quotes
然后看下第二个
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
start_urls = [
‘http://quotes.toscrape.com/page/1/‘,
‘http://quotes.toscrape.com/page/2/‘,
]
def parse(self, response):
for quote in response.css(‘div.quote‘):
yield {
‘text‘: quote.css(‘span.text::text‘).get(),
‘author‘: quote.css(‘small.author::text‘).get(),
‘tags‘: quote.css(‘div.tags a.tag::text‘).getall(),
}
先看看div.quote其实就是每个div
这里text 和author用get tags用getall就是因为前两个只有一个 后者有多个,如果要存储就-o就行了
scrapy crawl quotes -o quotes.json
标签:settings telnet 控制 txt 数据 ini als css set
原文地址:https://www.cnblogs.com/yicunyiye/p/13669259.html