Python爬蟲、資料分析、網站開發等案例教程視頻免費在線觀看
https://space.bilibili.com/523606542
Python學習交流群：1039649593
專案需求
在專門供爬蟲初學者訓練爬蟲技術的網站（http://quotes.toscrape.com)上爬取名言警句，
創建專案
在開始爬取之前，必須創建一個新的Scrapy專案，進入您打算存盤代碼的目錄中，運行下列命令:
(base) λ scrapy startproject quotes New scrapy project 'quotes '， using template directory 'd: \anaconda3\lib\site-packages\scrapy\temp1ates\project ', created in: D:\XXX You can start your first spider with : cd quotes scrapy genspider example example. com
首先切換到新建的爬蟲專案目錄下，也就是/quotes目錄下，然后執行創建爬蟲檔案的命令:
D:\XXX(master) (base) λ cd quotes\ D:\XXX\quotes (master) (base) λ scrapy genspider quotes quotes.com cannot create a spider with the same name as your project D :\XXX\quotes (master) (base) λ scrapy genspider quote quotes.com created spider 'quote' using template 'basic' in module:quotes.spiders.quote
該命令將會創建包含下列內容的quotes目錄:
robots.txt
robots協議也叫robots.txt(統一小寫）是一種存放于網站根目錄下的ASCII編碼的文本檔案，它通常告訴網路搜索引擎的網路蜘蛛，此網站中的哪些內容是不應被搜索引擎的爬蟲獲取的，哪些是可以被爬蟲獲取的，
robots協議并不是一個規范，而只是約定俗成的，
#filename : settings.py #obey robots.txt rules ROBOTSTXT__OBEY = False
分析頁面
撰寫爬蟲程式之前，首先需要對待爬取的頁面進行分析，主流的瀏覽器中都帶有分析頁面的工具或插件，這里我們選用Chrome瀏覽器的開發者工具(Tools→Developer tools）分析頁面，
資料資訊
在Chrome瀏覽器中打開頁面http://lquotes.toscrape.com，然后選擇"Elements"，查看其HTML代碼，
可以看到每一個標簽都包裹在
撰寫spider
分析完頁面后，接下來撰寫爬蟲，在Scrapy中撰寫一個爬蟲， 在scrapy.Spider中撰寫代碼Spider是用戶撰寫用于從單個網站(或者-些網站)爬取資料的類，
其包含了-個用于下載的初始URL,如何跟進網頁中的鏈接以及如何分析頁面中的內容，提取生成item的方法，
為了創建一個Spider, 您必須繼承scrapy.Spider類，且定義以下三個屬性:
-
name:用于區別Spider，該名字必須是唯一-的, 您不可以為不同的Spider設定相同的名字，
-
start _urls:包含了Spider在啟動時進行爬取的ur串列，因此， 第一個被獲取到的頁面將是其中之一，后續的URL則從初始的URL獲取到的資料中提取，
-
parse():是spider的一一個方法，被呼叫時，每個初始URL完成下載后生成的Response物件將會作為唯一的引數傳遞給該函式，該方法負責決議回傳的資料(response data),提取資料(生成item)以及生成需要進一步處理的URL 的Request物件，
import scrapy class QuoteSpi der(scrapy . Spider): name ='quote' allowed_ domains = [' quotes. com '] start_ urls = ['http://quotes . toscrape . com/'] def parse(self， response) : pass
下面對quote的實作做簡單說明，
-
scrapy.spider :爬蟲基類，每個其他的spider必須繼承自該類(包括Scrapy自帶的其他spider以及您自己撰寫的spider)，
-
name是爬蟲的名字，是在genspider的時候指定的，
-
allowed_domains是爬蟲能抓取的域名，爬蟲只能在這個域名下抓取網頁，可以不寫，
-
start_ur1s是Scrapy抓取的網站，是可迭代型別，當然如果有多個網頁，串列中寫入多個網址即可，常用串列推導式的形式，
-
parse稱為回呼函式，該方法中的response就是start_urls 網址發出請求后得到的回應，當然也可以指定其他函式來接收回應，一個頁面決議函式通常需要完成以下兩個任務:
1.提取頁面中的資料(re、XPath、CSS選擇器)
2.提取頁面中的鏈接，并產生對鏈接頁面的下載請求，
頁面決議函式通常被實作成一個生成器函式，每一項從頁面中提取的資料以及每一個對鏈接頁面的下載請求都由yield陳述句提交給Scrapy引擎，
決議資料
import scrapy def parse(se1f，response) : quotes = response.css('.quote ') for quote in quotes: text = quote.css( '.text: :text ' ).extract_first() auth = quote.css( '.author : :text ' ).extract_first() tages = quote.css('.tags a: :text' ).extract() yield dict(text=text，auth=auth，tages=tages)
重點：
-
response.css(直接使用css語法即可提取回應中的資料，
-
start_ur1s 中可以寫多個網址，以串列格式分割開即可，
-
extract()是提取css物件中的資料，提取出來以后是串列，否則是個物件，并且對于
extract_first()是提取第一個
運行爬蟲
在/quotes目錄下運行scrapycrawlquotes即可運行爬蟲專案，
運行爬蟲之后發生了什么?
Scrapy為Spider的start_urls屬性中的每個URL創建了scrapy.Request物件，并將parse方法作為回呼函式(callback)賦值給了Request，
Request物件經過調度，執行生成scrapy.http.Response物件并送回給spider parse()方法進行處理，
完成代碼后，運行爬蟲爬取資料，在shell中執行scrapy crawl <SPIDER_NAME>命令運行爬蟲'quote',并將爬取的資料存盤到csv檔案中:
(base) λ scrapy craw1 quote -o quotes.csv
2021-06-19 20:48:44 [scrapy.utils.log] INF0: Scrapy 1.8.0 started (bot: quotes)
等待爬蟲運行結束后，就會在當前目錄下生成一個quotes.csv的檔案，里面的資料已csv格式存放，
-o支持保存為多種格式，保存方式也非常簡單，只要給上檔案的后綴名就可以了，(csv、json、pickle等)
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/288247.html
標籤：Python