网络爬虫之Scrapy实战一

我们用scrapy来爬取一个具体的网站。以迅读网站为例。

如下是首页的内容，我想要得到文章列表以及对应的作者名称。

首先在items.py中定义title, author. 这里的Test1Item和Django中的modul作用类似。这里可以将Test1Item看做是一个容器。这个容器继承自scrapy.Item.

而Item又继承自DictItem。因此可以认为Test1Item就是一个字典的功能。其中title和author可以认为是item中的2个关键字。也就是字典中的key

class Item(DictItem):

 

class Test1Item(scrapy.Item):
    # define the fieldsfor your item here like:
    # name = scrapy.Field()
    title=Field()
    author=Field()

下面就在test_spider.py中开始写网页解析代码

from scrapy.spiders import Spiderfrom scrapy.selector import Selectorfrom test1.items import Test1Item

class testSpider(Spider):    name="test1"    #这里的name必须和创建工程的名字一致，否则会提示找不到爬虫项目    allowd_domains=['http://www.xunsee.com']    start_urls=["http://www.xunsee.com/"]    def parse(self, response):        items=[]        sel=Selector(response)        sites = sel.xpath('//*[@id="content_1"]/div')  #这里是所有数据的入口。下面所有的div都是存储的文章列表和作者        for site in sites:          item=Test1Item()          title=site.xpath('span[@class="title"]/a/text()').extract()          h=site.xpath('span[@class="title"]/a/@href').extract()          item['title']=[t.encode('utf-8') for t in title]        author=site.xpath('span[@class="author"]/a/text()').extract()          item['author']=[a.encode('utf-8') for a in author]          items.append(item)         return items

获取到title以及author的内容后，存储到item中。再将所有的item存储在items的列表中

在pipelines.py中修改Test1Pipeline如下。这个类中实现的是处理在testSpider中返回的items数据。也就是存储数据的地方。我们将items数据存储到json文件中去

class Test1Pipeline(object):    def __init__(self):        self.file=codecs.open('xundu.json','wb',encoding='utf-8')    def process_item(self, item, spider):        line=json.dumps(dict(item)) + '\n'        self.file.write(line.decode("unicode_escape"))        return item

 工程运行后，可以看到在目录下生成了一个xundu.json文件。其中运行日志可以在log文件中查看

json文件中的内容如下。

从这个爬虫可以看到，scrapy的结构还是比较简单。主要是三步：

1 items.py定义内容存储的关键字

2 自定义的test_spider.py中进行网页数据的爬取并返回数据

3 pipelines.py中对tes_spider.py中返回的内容进行存储