Python的爬蟲框架scrapy用21行代碼寫一個爬蟲

2019-11-25 16:13:58

字體：大中小

來源：轉載

供稿：網友

開發說明

開發環境:Pycharm 2017.1(目前最新)

開發框架:Scrapy 1.3.3(目前最新)

目標

爬取線報網站,并把內容保存到items.json里

頁面分析

根據上圖我們可以發現內容都在類為post這個div里

下面放出post的代碼

<div class="post"><!-- baidu_tc block_begin: {"action": "DELETE"} --><div class="date"><span>04月</span><span class="f">07日</span></div><!-- baidu_tc block_end --><h2><a  rel="external nofollow" title="4月7日 淘金幣淘里程領取京東簽到" rel="bookmark" target="_blank">4月7日 淘金幣淘里程領取京東簽到</a><span>已結束</span></h2><h6>發布日期: 2017-04-07 | 分類: <a  rel="external nofollow" >虛擬幣</a> | 瀏覽:125177</h6><div class="intro"><p>淘金幣一鍵領取 http://021.tw/t/ https://www.chaidu.com/App/Web/Taobao-Coin/ 【電腦端30金幣】 https://taojinbi.taobao.com/inde ... auto_take=true 【手機端30金幣】 http://h5.m.taobao...</p></div></div>

實現方法

1、定義items

class DemoItem(scrapy.Item): id = scrapy.Field() title = scrapy.Field() href = scrapy.Field() content = scrapy.Field()

2、新建一個爬蟲名為test

# -*- coding: utf-8 -*-import scrapyfrom demo.items import DemoItemfrom scrapy.http import Requestclass TestSpider(scrapy.Spider): #定義爬蟲的名字和需要爬取的網址 name = "test" allowed_domains = ["www.abckg.com"] start_urls = ['http://www.abckg.com/'] def parse(self, response): for resp in response.css('.post'):  #實例化item  item = DemoItem()  #把獲取到的內容保存到item內  item['href'] = resp.css('h2 a::attr(href)').extract()  item['title'] = resp.css('h2 a::text').extract()  item['content'] = resp.css('.intro p::text').extract()  yield item   #下面是多頁面的爬取方法 urls = response.css('.pageinfo a::attr(href)').extract() for url in urls:  yield Request(url, callback=self.parse) categorys = response.css('.menu li a::attr(href)').extract() for ct in categorys:  yield Request(ct, callback=self.parse)

3、修改settings.py,添加以下代碼