说一下我的爬取过程吧
第一步: 当然是 scrapy startproject + 名字 新建爬虫项目
第二步: scrapy genspider -t crawl +爬虫名字+ 所爬取网站的域名 (-t crawl是全站爬虫)
第三步:
spider文件下的代码
import scrapy
import re
from scrapy.linkextractors import LinkExtractor # 链接提取器
from scrapy.spiders import CrawlSpider, Rule # 导入全站爬虫和采集规则
class Ygdy8Spider(CrawlSpider):
name = ‘ygdy8‘ # 爬虫名字
allowed_domains = [‘www.ygdy8.com‘] # 爬虫只在该域名下爬取数据
start_urls = [‘http://www.ygdy8.com/‘] # 开始采集的网址
# 采集规则集合
rules = (
# 具体采集的规则
# allow 是选择出所有带有index的网址 allow是正则表达式 只要写你想提取的链接的一部分就可以了, deny是不允许提取的
Rule(LinkExtractor(allow=r‘index.html‘, deny=‘game‘)),
# follow=true 意思是下一次提取的网页中如果包含我们需要提取的信息,是否还要继续提取,True代表继续提取
Rule(LinkExtractor(allow=r‘list_\d+_\d+.html‘), follow=True),
# 提取详情页信息 callback 回调函数, 将相应交给这个函数来处理
Rule(LinkExtractor(allow=r‘/\d+/\d+.html‘), follow=True, callback=‘parse_item‘),
)
# 解析采集回来的数据
def parse_item(self, response):
# 处理网页数据,提取下载链接
# .*?代表提取除了换行以外的任何信息
ftp_url = re.findall(r‘<a href="(.*?)">ftp‘, response.text)
name = re.findall(r‘<title>(.*?)</title>‘, response.text)
if ftp_url and name:
items = {
‘name‘: name,
‘ftp_url‘: ftp_url
}
yield items
管道文件
import json
import os
import csv
class JsonPipeline(object):
def __init__(self):
self.file = open(‘阳光电影.json‘, ‘w+‘, encoding=‘utf-8‘)
def open_spider(self, spider):
self.file.write(‘[‘)
def process_item(self, item, spider):
line = json.dumps(dict(item), ensure_ascii=False) + ",\n"
self.file.write(line)
return item
def close_spider(self, spider):
self.file.seek(-1, os.SEEK_END)
self.file.truncate()
self.file.write(‘]‘)
self.file.close()
class CsvPipeline(object):
def __init__(self):
self.f = open("阳光电影.csv", "w", newline=‘‘)
self.writer = csv.writer(self.f)
self.writer.writerow([‘name‘, ‘ftp_url‘])
def process_item(self, item, spider):
yangguang_list = [item[‘name‘], item[‘ftp_url‘]]
self.writer.writerow(yangguang_list)
return item
settings
ITEM_PIPELINES = {
‘movie.pipelines.JsonPipeline‘: 300,
‘movie.pipelines.CsvPipeline‘: 300,
}
最后执行爬虫代码 scrapy crawl + 爬虫名字
原文:https://www.cnblogs.com/wangyue0925/p/11248623.html