基本指令:
scrapy startproject test2 建立工程
scrapy genspider test www.abc.com 建立基于scrapy.Spider 的爬蟲
scrapy genspider -t crawl test www.abc.com 建立基于CrawlSpider的爬蟲
scrapy crawl test -o test.json 運作爬蟲test資料儲存到test.json中
抓取百度應用商店資訊代碼如下:
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class test(CrawlSpider):
name = 'test'
allowed_domains = ['as.baidu.com']
start_urls = [
'https://as.baidu.com/',
]
rules = (
Rule(LinkExtractor(allow='https://as.baidu.com/software/',deny='https://as.baidu.com/software/\d+\.html'), follow=True),
Rule(LinkExtractor(allow='https://as.baidu.com/software/\d+\.html'), callback='parse_item', follow=True),
)
def parse_item(self, response):
i = {}
i['url']=response.url
return i
全站爬蟲原理:
1、先擷取start_urls中網頁内容A
2、在獲得的網頁内容A中 比對rules位址
3、擷取 比對的rules位址 的頁面内容B ,如果設定了callback 就調用回調函數,如果follow=True 就繼續在頁面内容B中比對rules位址并重複步驟3
注意:
rules中存在多條比對規則時 一個url滿足其中一條就不會繼續比對吓一跳了。如上面例子
如果如下面寫下法 就擷取不到資料
rules = (
Rule(LinkExtractor(allow='https://as.baidu.com/software/'), follow=True),
Rule(LinkExtractor(allow='https://as.baidu.com/software/\d+\.html'), callback='parse_item', follow=True),
)
但是換個位置就可以擷取到資料了
rules = (
Rule(LinkExtractor(allow='https://as.baidu.com/software/',deny='https://as.baidu.com/software/\d+\.html'), follow=True),
Rule(LinkExtractor(allow='https://as.baidu.com/software/\d+\.html'), callback='parse_item', follow=True),
)