原先用的是selenium(后面有时间再写)，这是第一次使用scrapy这个爬虫框架，所以记录一下这个心路历程，制作简单的爬虫其实不难，你需要的一般数据都可以爬取到。
下面是我的目录，除了main.py以外，都是代码自动生成的 :）。
各个目录作用：
1、sina是我自己创建的文件夹用来盛放整个项目的，随便起名字。
2、第一个sinaSpeder文件夹内，有一个scrapy.cfg配置文件和sinaSpeder的文件夹
- scrapy.cfg：配置文件，不需要更改
- sinaSpeder文件夹
3、第二个sinaSpeder文件夹
- init.py ：特定文件，指明二级first_spider目录为一个python模块
- item.py：定义需要的item类【实验中需要用到】
- pipelines.py：管道文件，传入item.py中的item类，清理数据，保存或入库
- settings.py：设置文件，例如设置用户代理和初始下载延迟
- spiders目录
4、spiders
- init.py ：特定文件，指明二级first_spider目录为一个python模块
- sina.py：盛放自定义爬虫的文件，负责获取html的数据和传入pipline管道中进行数据存放等
废话不多说，开练~~
第一步创建爬虫项目：
》scrapy startproject sinaSpeder （sinaSpeder是项目名）
（用命令创建主要是可以自动生成一个包含默认文件的目录）
第二步输入网址：
scrapy genspider sina "sina.com.cn" （这个名字是spiders里面的名字，后面的链接是要爬取的链接）
注：这个命令会在根目录的同级目录创建sina.py文件(也就是和第一个sinaSpiders同文件夹)，需要把它剪切到最里面的spiders文件夹下，
第三步修改代码：参考自：
items.py写入：
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://doc.scrapy.org/en/latest/topics/items.html import scrapy import sys # reload(sys) # sys.setdefaultencoding("utf-8") class SinaspederItem(scrapy.Item): # 大类的标题和url parentTitle = scrapy.Field() parentUrls = scrapy.Field() # 小类的标题和子url subTitle = scrapy.Field() subUrls = scrapy.Field() # 小类目录存储路径 subFilename = scrapy.Field() # 小类下的子链接 sonUrls = scrapy.Field() # 文章标题和内容 head = scrapy.Field() content = scrapy.Field()
sina.py写入：
# -*- coding: utf-8 -*- import scrapy import os from sinaSpeder.items import SinaspederItem import sys # reload(sys) # sys.setdefaultencoding("utf-8") class SinaSpider(scrapy.Spider): name = "sina" allowed_domains = ["sina.com.cn"] start_urls = ['http://news.sina.com.cn/guide/'] def parse(self, response): items = [] # 所有大类的url 和 标题 parentUrls = response.xpath('//div[@id="tab01"]/div/h3/a/@href').extract() parentTitle = response.xpath('//div[@id="tab01"]/div/h3/a/text()').extract() # 所有小类的ur 和 标题 subUrls = response.xpath('//div[@id="tab01"]/div/ul/li/a/@href').extract() subTitle = response.xpath('//div[@id="tab01"]/div/ul/li/a/text()').extract() # 爬取所有大类 for i in range(0, len(parentTitle)): # 指定大类目录的路径和目录名 parentFilename = "./Data/" + parentTitle[i] # 如果目录不存在，则创建目录 if (not os.path.exists(parentFilename)): os.makedirs(parentFilename) # 爬取所有小类 for j in range(0, len(subUrls)): item = SinaspederItem() # 保存大类的title和urls item['parentTitle'] = parentTitle[i] item['parentUrls'] = parentUrls[i] # 检查小类的url是否以同类别大类url开头，如果是返回True (sports.sina.com.cn 和 sports.sina.com.cn/nba) if_belong = subUrls[j].startswith(item['parentUrls']) # 如果属于本大类，将存储目录放在本大类目录下 if (if_belong): subFilename = parentFilename + '/' + subTitle[j] # 如果目录不存在，则创建目录 if (not os.path.exists(subFilename)): os.makedirs(subFilename) # 存储 小类url、title和filename字段数据 item['subUrls'] = subUrls[j] item['subTitle'] = subTitle[j] item['subFilename'] = subFilename items.append(item) # 发送每个小类url的Request请求，得到Response连同包含meta数据 一同交给回调函数 second_parse 方法处理 for item in items: yield scrapy.Request(url=item['subUrls'], meta={'meta_1': item}, callback=self.second_parse) # 对于返回的小类的url，再进行递归请求 def second_parse(self, response): # 提取每次Response的meta数据 meta_1 = response.meta['meta_1'] # 取出小类里所有子链接 sonUrls = response.xpath('//a/@href').extract() items = [] for i in range(0, len(sonUrls)): # 检查每个链接是否以大类url开头、以.shtml结尾，如果是返回True if_belong = sonUrls[i].endswith('.shtml') and sonUrls[i].startswith(meta_1['parentUrls']) # 如果属于本大类，获取字段值放在同一个item下便于传输 if (if_belong): item = SinaspederItem() item['parentTitle'] = meta_1['parentTitle'] item['parentUrls'] = meta_1['parentUrls'] item['subUrls'] = meta_1['subUrls'] item['subTitle'] = meta_1['subTitle'] item['subFilename'] = meta_1['subFilename'] item['sonUrls'] = sonUrls[i] items.append(item) # 发送每个小类下子链接url的Request请求，得到Response后连同包含meta数据 一同交给回调函数 detail_parse 方法处理 for item in items: yield scrapy.Request(url=item['sonUrls'], meta={'meta_2': item}, callback=self.detail_parse) # 数据解析方法，获取文章标题和内容 def detail_parse(self, response): item = response.meta['meta_2'] content = "" head = response.xpath('//h1[@id="main_title"]/text()') content_list = response.xpath('//div[@id="artibody"]/p/text()').extract() # 将p标签里的文本内容合并到一起 for content_one in content_list: content += content_one item['head'] = head item['content'] = content yield item
pipelines.py写入：
# -*- coding: utf-8 -*- from scrapy import signals import sys class SinaspederPipeline(object): def process_item(self, item, spider): sonUrls = item['sonUrls'] # 文件名为子链接url中间部分，并将 / 替换为 _，保存为 .txt格式 filename = sonUrls[7:-6].replace('/','_') filename += ".txt" fp = open(item['subFilename']+'/'+filename, 'w') fp.write(item['content']) fp.close() return item
setting.py写入：
# 设置管道文件
ITEM_PIPELINES = {
'sinaSpeder.pipelines.SinaspederPipeline': 300,
}
main.py写入:
from scrapy import cmdline cmdline.execute("scrapy crawl sina".split())
运行有两种方法：
1、这里创建了main。py文件，所以可以直接运行这个文件。
2、通过命令行
scrapy crawl sina （这个是进入...>sina>sinaSpeder 文件夹后运行的）
第四步：
运行开始后，多出一个data文件夹，这就是要爬取的东西
注：问题总结
1、我最初是运行下面这个，发现报错，后来试试spiders中的sina.py文件，结果成功了
scrapy crawl sinaSpeder
2、如果你建立的工程名字和我的不一样，所有涉及项目名称的文件都要改过来，少一个都会报错。
3、爬虫运行有可能会被封ip使得无法再访问这个网站了！这就需要使用反爬虫技术，以后再讲。
4、错误 twisted.internet.error.DNSLookupError: DNS lookup failed: no results for hostname lookup: http.
原因代码中url出错（修改后就行了）
参考：
https://www.jianshu.com/p/fd443ad67c5b?utm_campaign
https://www.cnblogs.com/xinyangsdut/p/7631163.html