人生就應該多讀一點雞湯→傳送門 : 格言網
好了廢話不多說,直接上幹活,今天是如何利用scrapy架構爬取格言網的全站資料并存儲至本地.如何安裝配置scrapy環境請看我的另一篇文章:Scrapy環境搭建
首先是建立一個scrapy架構的整體結構,這裡就不做詳細解釋了.
這樣一個整體的架構就建構出來了.
items.py:
(明确需要儲存的字段,title 标題,url 标題對應的位址,content 雞湯)
import scrapy
class GeyanItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field()
url = scrapy.Field()
content = scrapy.Field()
spiders→mingju.py:
(你的爬蟲,如何爬取内容取決于這個)
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from geyan.items import GeyanItem
class MingjuSpider(CrawlSpider):
name = 'mingju'
allowed_domains = ['https://geyanw.com/']
start_urls = ['https://geyanw.com'] # 網址初始位址
def parse(self, response):
# i = {}
#i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
#i['name'] = response.xpath('//div[@id="name"]').extract()
#i['description'] = response.xpath('//div[@id="description"]').extract()
# return i
foo = response.xpath('//*[@id="p_left"]/div/dl/dd/ul/li') # xpath比對需要爬取的内容
for i in foo:
item = GeyanItem() # 每一次都需要新執行個體化item 否則就會出現标題和url被最後擷取的資料覆寫的情況
item['title'] = i.xpath('a/text()').extract_first() # extract()取出清單, extract_first()為單個資料
# url = 'https://geyanw.com/' + i.xpath('dd/ul/li[1]/a/@href').extract_first()
url = response.urljoin(i.xpath('a/@href').extract_first())
item['url'] = url
request = scrapy.Request(url=url, callback=self.content, dont_filter=True) # 同使用response.follow()方法
request.meta['item'] = item # 指定response給下一個方法, 對應需要取出的每一個資料
yield request
def content(self, response):
item = response.meta['item'] # 比對對應的資料
bar = response.xpath('//*[@id="p_left"]/div[1]/div[4]/p')
mystr = ''
for i in bar:
mystr += i.xpath('text()').extract_first() # 拼接字元串内容
item['content'] = mystr
yield item
簡單的爬取格言網内容的爬蟲就大功告成了
最後還需要改一下setting配置,将user-agent改成浏覽器核心,常見的防反爬手段
setting.py:
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)' \
' Chrome/68.0.3423.2 Safari/537.36'
最後就是在控制台運作爬蟲了:
最終效果(json格式的内容需要在菜鳥工具裡轉換後檢視)→ json格式化菜鳥工具:
這樣就使用scrapy架構完成了一個最簡單的爬取網站的功能!