大数据开发神器——scrapy spider爬虫框架，编写你的第一个爬虫

HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

这几行注释的作用是Scrapy会缓存你有的Requests!当你再次请求时，如果存在缓存文档则返回缓存文档，而不是去网站请求，这样既加快了本地调试速度，也减轻了 网站的压力

第三：定义Items

根据我们需要爬取的需要，定义我们需要的Items，我们以爬取此URL为例（一个小说网站），打开此网站，我们可以看到上面有小说的名字，作者，字数，状态等大数据爬虫，本次就先爬虫这一个界面的所有小说的名字为例

打开Items 输入如下：

import scrapy

class PowersItem(scrapy.Item):

novelname = scrapy.Field()#小说名字

pass

以上就是scrapy的基本设置（后续会添加其他的设置，我们后续讨论）

第四：编写spider

打开我们先前建立的py爬虫powers415.py

import scrapy

from bs4 import BeautifulSoup #（解析request来的网页）

from scrapy.http import Request #（request请求）

from myproject.items import PowersItem

#以上是插入scrapy以及其他使用到的第三方库

###########

class PowersSpider(scrapy.Spider):

name = "powers" #爬虫的名字，必须添加爬虫的名字，这个很重要

first_url='http://www.23us.so/full.html' #定义第一个URL

def start_requests(self):

yield Request(self.first_url,self.parse)#返回调度器处理好的request

#spider处理获取的数据，得到Items

def parse(self, response): #必须有parse函数

tds = BeautifulSoup(response.text, 'lxml').find_all('tr', bgcolor='#FFFFFF')#解析

item = PowersItem() #item初始化

for td in tds:

novelname = td.find('a').get_text()#获取小说名字

item['novelname'] =novelname #获取到Items

print(item)

pass

爬取的数据

下期预告：

（编辑：92站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!