利用scrapy框架python爬虫初探

经过三天的“摸爬滚打”，终于搞定了一个简单的爬虫项目，因为个人初学爬虫，没有一个系统的框架很难完整爬一个项目，所以参照诸多教程与博客，终于拿下一个简单的爬取“伯乐在线”所有文章的爬虫。

1、准备工作——安装scrapy框架

Command "python setup.py egg_info" failed with error code 1 in

可通过此网站寻找解决方案，然后就可以新建我们的项目。

2、开始爬取——新建scrapy项目

scrapy startproject article 

文件架构

开始编写爬虫代码

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Spider
from ..items import ArticleItem

class ArticleSpider(scrapy.Spider):
name = 'article'
start_urls = ['http://python.jobbole.com/all-posts/']
def parse(self, response):
item = ArticleItem()
posts = response.xpath('//div[@class="post floated-thumb"]')
# print(posts)
for post in post
944f
s:
item['title'] = post.xpath('.//a[@class="archive-title"]/text()').extract()[0]
# print(item['title'])
item['date'] = post.xpath('.//div[@class="post-meta"]/p/text()').re('\d+/+\d+/+\d+')[0]
# print(item['date'])
item['short'] = post.xpath('.//span[@class="excerpt"]/p/text()').extract()[0]
# print(item['short'])
item['link'] = post.xpath('.//span[@class="read-more"]/a/@href').extract()[0]
print(item['title']+item['date']+item['short']+item['link'])
yield item
urls = response.xpath('//a[@class="next page-numbers"]/@href').extract()[0]
if urls:
yield scrapy.Request(urls, callback=self.parse)

存入excel

piprlines.py
from openpyxl import Workbook

class TuniuPipeline(object): # 设置工序一
wb = Workbook()
ws = wb.active
ws.append(['标题', '链接', '发布时间', '简介']) # 设置表头

def process_item(self, item, spider): # 工序具体内容
line = [item['title'], item['link'], item['date'], item['short']] # 把数据中每一项整理出来
self.ws.append(line) # 将数据以行的形式添加到xlsx中
self.wb.save('article.xlsx') # 保存xlsx文件
return itemsettings.py

ITEM_PIPELINES = {
'article.pipelines.TuniuPipeline': 200,  # 200是为了设置工序顺序
}

启动爬虫 scrapy crawl article

结果