【Python3爬虫】第一个Scrapy项目

Python版本：3.5 IDE：Pycharm

今天跟着网上的教程做了第一个Scrapy项目，遇到了很多问题，花了很多时间终于解决了==

一、Scrapy终端（scrapy shell）

Scrapy终端是一个交互终端，供我们在未启动spider的情况下尝试及调试爬取代码。其本意是用来测试提取数据的代码，不过我们可以将其作为正常的Python终端，在上面测试任何的Python代码。

在命令行界面输入scrapy shell <url>（这里的网址不需要加引号），例如：

scrapy shell https://www.huya.com/g/lol

接着该终端(使用Scrapy下载器(downloader))获取URL内容并打印可用的对象及快捷命令(注意到以[s] 开头的行):

fetch(request) - 从给定请求获取新响应，并相应地更新所有相关对象。
view(response) - 在本地Web浏览器中打开给定的响应，以进行检查。这将向响应正文添加一个<base>标记，以便正确显示外部链接（如图片和样式表）。但请注意，这将在您的计算机中创建一个临时文件，不会自动删除。
shelp() - 打印有可用对象和快捷方式列表的帮助

二、建立第一个Scrapy项目

选择一个文件夹，shift+右键然后进入命令行界面，输入以下代码新建一个Scrapy项目：

scrapy startproject HuyaLol

打开Pycharm，然后再打开我们刚建好的HuyaLol项目，在spiders文件夹下新建一个lol.py

然后就可以在lol.py里编写我们的程序了，代码如下：

 1 import scrapy
 2 
 3 
 4 class huyalol(scrapy.Spider):
 5     name = "huyalol"
 6     start_urls = ["https://www.huya.com/g/lol"]
 7 
 8     def parse(self, response):
 9         title_list = response.xpath('//*[@id="js-live-list"]/li/a[2]/text()').extract()
10         name_list = response.xpath('//*[@id="js-live-list"]/li/span/span[1]/i/text()').extract()
11         for i in range(1,11):
12             print(name_list[i-1], ': ',title_list[i-1])

然后在Pycharm里打开命令行界面，输入scrapy list可以列出当前爬虫项目下所有的爬虫文件，这里只有一个爬虫文件huyalol。

然后在命令行界面输入scrapy crawl huyalol，就可以运行我们的爬虫了，结果如下：

三、遇到的问题及解决办法

（1）利用xpath获取不到数据，反复检查代码之后，发现是引号出了问题

”//*[@id="js-live-list"]/li/a[2]/text()“

这里两端要用单引号，因为中间使用了双引号。

（2）根据教程上把@id="js-live-list"改成@class=“title new-clickstat”后获取不到数据，这个应该注意一下。

（3）在纠正上述问题后还是没有得到数据

解决办法：把settings.py里的ROBOTSTXT_OBEY = True改成ROBOTSTXT_OBEY = False