Python 爬虫 - Scrapy框架原理

Python 爬虫包含两个重要的部分：正则表达式和Scrapy框架的运用，正则表达式对于所有语言都是通用的，网络上可以找到各种资源。

如下是手绘Scrapy框架原理图，帮助理解

如下是一段运用Scrapy创建的spider：使用了内置的crawl模板，以利用Scrapy库的CrawlSpider。相对于简单的爬取爬虫来说，Scrapy的CrawlSpider拥有一些网络爬取时可用的特殊属性和方法：

$ scrapy genspider country_or_district example.python-scrapying.com--template=crawl

运行genspider命令后，下面的代码将会在example/spiders/country_or_district.py中自动生成。

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from scrapy.linkextractors import LinkExtractor
 4 from scrapy.spiders import CrawlSpider, Rule
 5 from example.items import CountryOrDistrictItem
 6 
 7 
 8 class CountryOrDistrictSpider(CrawlSpider):
 9     name = \'country_or_district\'
10     allowed_domains = [\'example.python-scraping.com\']
11     start_urls = [\'http://example.python-scraping.com/\']
12 
13     rules = (
14         Rule(LinkExtractor(allow=r\'/index/\', deny=r\'/user/\'),
15              follow=True),
16         Rule(LinkExtractor(allow=r\'/view/\', deny=r\'/user/\'),
17              callback=\'parse_item\'),
18     )
19 
20     def parse_item(self, response):
21         item = CountryOrDistrictItem()
22         name_css = \'tr#places_country_or_district__row td.w2p_fw::text\'
23         item[\'name\'] = response.css(name_css).extract()
24         pop_xpath = \'//tr[@id="places_population__row"]/td[@class="w2p_fw"]/text()\'
25         item[\'population\'] = response.xpath(pop_xpath).extract()
26         return item

View Code

爬虫类包括的属性：

name: 识别爬虫的字符串。
allowed_domains: 可以爬取的域名列表。如果没有设置该属性，则表示可以爬取任何域名。
start_urls: 爬虫起始URL列表。
rules: 该属性为一个通过正则表达式定义的Rule对象元组，用于告知爬虫需要跟踪哪些链接以及哪些链接包含抓取的有用内容。

参考：

1. 正则表达式：《Python 爬虫 - 正则表达式》

2. 其他Python爬虫实践：

- 视频链接：https://v.kuaishou.com/8raZJH

- 视频代码如下：

# 获取页面所有热点
import urllib.request
import json
from csv import DictWriter
import requests
import pandas as pd


#编辑循环：
docs =  list()
for i in range(0,200):
    template_url = \'https://准备浏览的地址\'%(i)
    req = urllib.request.Request(template_url)
    #获取URL
    NewsHtml= urllib.request.urlopen(template_url)
    NewsJSON = json.loads(NewsHtml.read())
    if len(NewsJSON["data"][\'list\']) != 0: 
        #print(template_url)
        doc = NewsJSON["data"][\'list\']
        docs.append(doc)     
    else:
        print ("END")
        break  # 跳出当前循环

#写入本地
#列表
新闻名称 = list()
for i in range(0,len(docs)):
    for a in range(0,len(docs[i])):
        title = docs[i][a][\'title\']
        新闻名称.append(title)


#表格
df = pd.DataFrame(columns = ["新闻名称"])
df[\'新闻名称\'] = 新闻名称


#写入
df.to_csv(\'~/data/news2021Today.csv\')