python scrapy框架

发表于 | 分类于
字数统计 407 | 阅读时长 2
本文主要介绍了scrapy框架的使用，并给出了scrapy框架的安装教程（官方指南）。

安装

Scrapy 安装教程

使用

创建新项目

创造一个项目： 

1
scrapy startproject tutorial

目录层级结构如图： 

1
2
3
4
5
6
7
8
9
10
tutorial 
  scrapy.cfg          # 项目的配置文件
  tutorial            # 项目的python模块, 在这里稍后你将会导入你的代码
    __init__.py       
    items.py          # 项目items文件
    middlewares.py    # 项目中间件文件
    pipelines.py      # 项目管道文件
    settings.py       # 项目配置文件
    spiders           # 你的spider目录
      __init__.py

定义抓取项

定义我们要抓取的内容（items.py）： 

1
2
3
4
5
6
7
8
9
10
11
import scrapy

class TutorialItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

class JianShuItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    content = scrapy.Field()

创建Spider

创建命令：

1
scrapy genspider -t basic jianshu jianshu.com

修改Spider内容为：

1
2
3
4
5
6
7
8
9
import scrapy

class CrawlSpider(scrapy.Spider):
    name = 'crawl'
    allowed_domains = ['JianShu']
    start_urls = ['http://JianShu/']

    def parse(self, response):
        pass

保存数据

1
scrapy crawl JianShuSpider  -o items.json -t json

错误处理

[scrapy.core.engine] DEBUG: Crawled (403) <GET http://www.jianshu.com/> (referer: None)

修改DOWNLOADER_MIDDLEWARES配置：

1
2
3
DOWNLOADER_MIDDLEWARES = {
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,#必需 ,禁用默认的middleware
}

[scrapy.core.scraper] ERROR: Spider error processing <GET http://www.jianshu.com/> (referer: None)

修改DOWNLOADER_MIDDLEWARES配置：

1
2
3
4
DOWNLOADER_MIDDLEWARES = {
    'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware' : None,#必需 ,禁用默认的middleware
    'jianshu.middlewares.JianshuSpiderMiddleware': 543,
}

修改middlewares.py配置：

1
2
3
4
5
6
7
8
9
10
11
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware

class JianShuSpiderAgent(UserAgentMiddleware):
    def __init__(self,user_agent=''):
        self.user_agent = user_agent

    def process_request(self,request,spider):
        request.headers.setdefault('Host','www.jianshu.com')
        request.headers.setdefault('User-Agent','Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/53.0.2785.143 Chrome/53.0.2785.143 Safari/537.36')

}

参考资料
西刺免费代理IP
scrapy代理、UA配置
Scrapy环境搭建
数据抓取框架
Scrapy下载中间件
scrapy自定义User-Agent
如何让你的scrapy爬虫不再被ban
CnblogsSpider

来源：http://leunggeorge.github.io/

0%