Python_Scarapy_02-03_Scrapy框架安装和命令介绍+Scrapy项目基本使用

Scrapy Reference : https://doc.scrapy.org/en/master/index.html

2.1. Scrapy installation

Scrapy Installation Reference: https://doc.scrapy.org/en/latest/intro/install.html

To install scrapy on Ubuntu (or Ubuntu-based) systems, you need to install these dependencies:

1 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
  • python-dev, zlib1g-dev, libxml2-dev and libxslt1-dev are required for lxml
  • libssl-dev and libffi-dev are required for cryptography

If you want to install scrapy on Python 3, you’ll also need Python 3 development headers:　

1 sudo apt-get install python3 python3-dev

you can install Scrapy with pip after that:

1 pip3 install scrapy

2.2 Scrapy 安装验证及命令介绍

3. Scrapy 入门案例

3.1 创建项目（scrapy startproject)

  • 在开始爬虫之前，必须创建一个新的scrapy项目，进入定义的项目目录中，运行命令：
1 scrapy startproject mySpider　　
  • 其中，mySpider为项目名称，可以看到将会创建一个mySpider文件夹，目录结构如下：

　　

　　下面为个文件的作用：　　

1 scrapy.cfg：项目的配置文件。
2 mySpider ：项目的Python模块，将会从这里引用代码。
3 mySpider/items.py：项目的目标文件
4 mySpider/pipelines.py：项目管道文件
5 mySpider/settings.py：项目的设置文件
6 mySpider/spiders/：存储爬虫代码目录

3.2 明确目标（mySpider/items.py)

我们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站的所有讲师的姓名、职称和个人信息。

  1. 打开mySpider目录下的items.py。
  2. item定义结构数据字段，用来保存爬去到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误
  3. 可以通过创建一个scrapy.item类，并且定义类型为scrapy Field的类属性来定义一个item（可以理解成类似于ORM的映射关系）。
  4. 接下来，创建一个ItcastItem类，和构建item模型（model）。
 1 import scrapy
 2 
 3 class MyspiderItem(scrapy.Item):
 4     # define the fields for your item here like:
 5     # name = scrapy.Field()
 6     pass
 7 
 8 class ItcastItem(scrapy.Item):　　　　#定义了三个字段
 9     name = scrapy.Field()　　　　
10     level = scrapy.Field()
11     info = scrapy.Field()

3.3 制作爬虫（spider/itcastSpider.py）

爬虫功能要分两步：

1. 爬数据

在当前目录下输入命令，将mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取区域的范围：

1 scrapy genspider itcast “itcast.cn"　　#创建了一个名为itcast的爬虫（项目中唯一）。爬取的区域为itcast.cn。这些会写入mySpider/spider目录里的itcast.py文件中。

注：后续生成的文件为：itcast.py

执行完此代码，spders文件夹中多了一个itcast.py文件（__pycache__中也会增加一些文件）：

打开mySpider/spider目录里的itcast.py，默认增加了下列代码：

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 
 4 class ItcastSpider(scrapy.Spider):
 5     name = 'itcast'
 6     allowed_domains = ['itcast.cn']
 7     start_urls = ['http://itcast.cn/'，]　　 8 
 9     def parse(self, response):
10         pass

其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦。

要建立一个Spider，你必须用scrapy。Spider类创建一个子类，并确定了三个强制的属性和一个方法。

  • name = " " ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
  • allow_domains = [] ：是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽视。
  • start_urls= () ：爬取的URL元祖/列表，爬虫从这里抓取数据，所以，第一次下载的数据将会从这些URLs开始，其他URL将会从这些起来URL中继承性生成。
  • parse(self,response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
    • 负责解析返回的网页数据（response.body），提取结构化数据（生成item）。
    • 生成需要下一页的URL请求。 

Spider类是写的就是我们的爬虫代码，其中有些重要的属性和方法：

 1 name：定义spider名字的字符串。
 2     例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite
 3 
 4 allowed_domains：包含了spider允许爬取的域名(domain)的列表，可选。
 5 
 6 start_urls：初始URL元祖/列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。
 7 
 8 start_requests(self)：该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用 start_urls 的url）的第一个Request。
 9 当spider启动爬取并且未指定start_urls时，该方法被调用。
10 
11 parse(self, response)：当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。
12 
13 log(self, message[, level, component])：使用 scrapy.log.msg() 方法记录(log)message。 更多数据请参见 logging
Spider类的属性和方法

将start_urls的值修改为需要爬取的第一个url：

1 start_urls = ['http://www.itcast.cn/channel/teacher.shtml',]

修改parse（）方法:

1     def parse(self, response):
2         with open("teacer.html","wb") as f:
3                 f.write(response.txt)

然后运行一下看看，再mySpider目录下执行：

1 scrapy crawl itcast

 注意：项目名是itcast，且唯一。它是itcastSpider类的name属性，也就是使用scrapy genspider命令的爬虫名。

一个scrapy爬虫项目里，可以存在多个爬虫，各个爬虫在执行时，就是按照name属性来区分。

运行之后，如果打印日志出现[scrapy.core.engine] INFO: Spider closed (finished)，代表执行完成。之后当前文件夹中就出现一个teacher.html文件，里面就是刚刚要爬取网页的全部源代码。

#注意：Python2.x默认编码环境是ASCII，当取回数据编码格式不一样时，可能会造成乱码；

#我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：

    import sys
    reload(sys)
    sys.setdefaultencoding("utf-8")

#这三行代码是Python2.x里解决中文编码的万能钥匙，Python3，默认是unicode了。

 2. 取数据

  • 爬取整个网页完毕，接下来的就是取数据的过程，首先观察页面源代码：

用XPath开始提取数据：（用scrapy shell来提数据更直观）

 1 scrapy shell 'http://www.itcast.cn/channel/teacher.shtml'
 2 2018-07-23 16:07:42 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: mySpider)
 3 2018-07-23 16:07:42 [scrapy.utils.log] INFO: Versions: lxml 4.2.3.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.5.0, w3lib 1.19.0, Twisted 18.7.0, Python 3.5.2 (default, Nov 23 2017, 16:37:01) - [GCC 5.4.0 20160609], pyOpenSSL 18.0.0 (OpenSSL 1.0.2g  1 Mar 2016), cryptography 2.3, Platform Linux-4.4.0-130-generic-x86_64-with-Ubuntu-16.04-xenial
 4 2018-07-23 16:07:42 [scrapy.crawler] INFO: Overridden settings: {'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'NEWSPIDER_MODULE': 'mySpider.spiders', 'LOGSTATS_INTERVAL': 0, 'ROBOTSTXT_OBEY': True, 'BOT_NAME': 'mySpider', 'SPIDER_MODULES': ['mySpider.spiders']}
 5 2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled extensions:
 6 ['scrapy.extensions.memusage.MemoryUsage',
 7  'scrapy.extensions.corestats.CoreStats',
 8  'scrapy.extensions.telnet.TelnetConsole']
 9 2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled downloader middlewares:
10 ['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
11  'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
12  'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
13  'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
14  'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
15  'scrapy.downloadermiddlewares.retry.RetryMiddleware',
16  'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
17  'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
18  'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
19  'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
20  'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
21  'scrapy.downloadermiddlewares.stats.DownloaderStats']
22 2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled spider middlewares:
23 ['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
24  'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
25  'scrapy.spidermiddlewares.referer.RefererMiddleware',
26  'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
27  'scrapy.spidermiddlewares.depth.DepthMiddleware']
28 2018-07-23 16:07:43 [scrapy.middleware] INFO: Enabled item pipelines:
29 []
30 2018-07-23 16:07:43 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
31 2018-07-23 16:07:43 [scrapy.core.engine] INFO: Spider opened
32 2018-07-23 16:07:45 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.itcast.cn/robots.txt> (referer: None)
33 2018-07-23 16:07:46 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www.itcast.cn/channel/teacher.shtml> (referer: None) ['partial']
34 [s] Available Scrapy objects:
35 [s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
36 [s]   crawler    <scrapy.crawler.Crawler object at 0x7f61eb8be0b8>
37 [s]   item       {}
38 [s]   request    <GET http://www.itcast.cn/channel/teacher.shtml>
39 [s]   response   <200 http://www.itcast.cn/channel/teacher.shtml>
40 [s]   settings   <scrapy.settings.Settings object at 0x7f61e57c4898>
41 [s]   spider     <ItcastSpider 'itcast' at 0x7f61e5354978>
42 [s] Useful shortcuts:
43 [s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
44 [s]   fetch(req)                  Fetch a scrapy.Request and update local objects 
45 [s]   shelp()           Shell help (print this help)
46 [s]   view(response)    View response in a browser
scrapy shell
  • response（）的用法：
    • dir(response):
1 >>> dir(response)
2 ['_DEFAULT_ENCODING', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__slots__', '__str__', '__subclasshook__', '__weakref__', '_auto_detect_fun', '_body', '_body_declared_encoding', '_body_inferred_encoding', '_cached_benc', '_cached_selector', '_cached_ubody', '_declared_encoding', '_encoding', '_get_body', '_get_url', '_headers_encoding', '_set_body', '_set_url', '_url', 'body', 'body_as_unicode', 'copy', 'css', 'encoding', 'flags', 'follow', 'headers', 'meta', 'replace', 'request', 'selector', 'status', 'text', 'url', 'urljoin', 'xpath']
    • response.css:
1 >>> response.css("div.li_txt")[0].extract()
2 '<div class="li_txt">
							<h3>朱老师</h3>
							<h4>高级讲师</h4>
							<p>15年以上的软件开发、大型软件项目设计和团队管理经验。精通C/C++、pascal、Basic等各种编程语言，精通MySQL、Oracle、SQLServer等关系数据库。讲课深入浅出，将复杂理论转化为通俗易懂的语言，深受学生的好评。</p>
						</div>'
3 >>> response.css("div.li_txt")[1].extract()
4 '<div class="li_txt">
							<h3>王老师</h3>
							<h4>高级讲师</h4>
							<p>毕业于山东大学，计算机硕士。具有10年项目开发、项目管理经验，任事业部技术总监，长期一线项目经理。主持开发过的项目涉及银行、政府等应用领域。多年企业内训培训师，讲课深入浅出，深受学生和企业员工的好评。</p>
						</div>'
response.css
    • response.xpath:
 1 >>> response.xpath("//div[@class='li_txt']")[1].extract    #注意：要加（）
 2 <bound method Selector.get of <Selector xpath="//div[@class='li_txt']" data='<div class="li_txt">
							<h3>王老师</h3'>>
 3 
 4 >>> response.xpath("//div[@class='li_txt']")[1].extract()
 5 '<div class="li_txt">
							<h3>王老师</h3>
							<h4>高级讲师</h4>
							<p>毕业于山东大学，计算机硕士。具有10年项目开发、项目管理经验，任事业部技术总监，长期一线项目经理。主持开发过的项目涉及银行、政府等应用领域。多年企业内训培训师，讲课深入浅出，深受学生和企业员工的好评。</p>
						</div>'
 6 
 7 >>> response.xpath("//div[@class='li_txt']/h3")[1].extract()
 8 '<h3>王老师</h3>'
 9 
10 >>> response.xpath("//div[@class='li_txt']/h3/text()")[1].extract()
11 '王老师'
12 
13 >>> response.xpath("//div[@class='li_txt']/h4/text()")[1].extract()
14 '高级讲师'
15 
16 >>> response.xpath("//div[@class='li_txt']/p/text()")[1].extract()
17 '毕业于山东大学，计算机硕士。具有10年项目开发、项目管理经验，任事业部技术总监，长期一线项目经理。主持开发过的项目涉及银行、政府等应用领域。多年企业内训培训师，讲课深入浅出，深受学生和企业员工的好评。'
Response.xpath

Example2:

 1 >>> stocklist = response.xpath("//div[@id='quotesearch']/ul/li/a/text()")    #no extract()
 2 
 3 >>> print (type(stocklist))
 4 <class 'scrapy.selector.unified.SelectorList'>        #still a selector
 5 
 6 >>> print (dir(stocklist))
 7 ['__add__', '__class__', '__contains__', '__delattr__', '__delitem__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__getitem__', '__getslice__', '__getstate__', '__gt__', '__hash__', '__iadd__', '__imul__', '__init__', '__iter__', '__le__', '__len__', '__lt__', '__module__', '__mul__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__reversed__', '__rmul__', '__setattr__', '__setitem__', '__sizeof__', '__slots__', '__str__', '__subclasshook__', '__weakref__', 'append', 'attrib', 'clear', 'copy', 'count', 'css', 'extend', 'extract', 'extract_first', 'extract_unquoted', 'get', 'getall', 'index', 'insert', 'pop', 're', 're_first', 'remove', 'reverse', 'select', 'sort', 'x', 'xpath']
 8 
 9 >>> print (stocklist)
10 ....
11 <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='御家汇(300740)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='华宝股份(300741)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='越博动力(300742)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='天地数码(300743)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='欣锐科技(300745)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='汉嘉设计(300746)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='锐科激光(300747)'>, <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='宁德时代(300750)'>]
12 
13 >>> print(stocklist[100])
14 <Selector xpath="//div[@id='quotesearch']/ul/li/a/text()" data='中证500C(501037)'>
15 
16 >>> stocklist = response.xpath("//div[@id='quotesearch']/ul/li/a/text()").extract()    #to call the method of extract()
17 
18 >>> print(type(stocklist))
19 <class 'list'>
20 
21 >>> print(stocklist)
22 [...'乐歌股份(300729)', '科创信息(300730)', '科创新源(300731)', '设研院(300732)', '西菱动力(300733)', '光弘科技(300735)', '百华悦邦(300736)', '科顺股份(300737)', '奥飞数据(300738)', '明阳电路(300739)', '御家汇(300740)', '华宝股份(300741)', '越博动力(300742)', '天地数码(300743)', '欣锐科技(300745)', '汉嘉设计(300746)', '锐科激光(300747)', '宁德时代(300750)']
23 
24 >>> print(stocklist[100])
25 中证500C(501037)
26 
27 
28 >>> stocklist = response.xpath("//div[@id='quotesearch']")
29 
30 >>> stock = stocklist.xpath("./ul/li/a/text()")     #注意./
31 
32 >>> print(type(stock))
33 <class 'scrapy.selector.unified.SelectorList'>
34 
35 >>> print(stock[100])
36 <Selector xpath='./ul/li/a/text()' data='中证500C(501037)'>
response.xpath
 1 >>> stocklist = response.css("div#quotesearch")        #without extract()
 2 
 3 >>> print(type(stocklist))
 4 <class 'scrapy.selector.unified.SelectorList'>
 5 
 6 >>> print(stocklist)
 7 [<Selector xpath="descendant-or-self::div[@id = 'quotesearch']" data='<div id="quotesearch">
            <div'>]
 8 
 9 >>> stocklist = response.css("div#quotesearch").extract()    #call the method extract()
10 
11 >>> print(type(stocklist))
12 <class 'list'>
13 
14 >>>print(stocklist)    = print(stocklist[0])        #在列表中只有一个项目
15 [...                                           <li><a target="_blank" href="http://quote.eastmoney.com/sz300743.html">天地数码(300743)</a></li>
            
            <li><a target="_blank" href="http://quote.eastmoney.com/sz300745.html">欣锐科技(300745)</a></li>
            
            <li><a target="_blank" href="http://quote.eastmoney.com/sz300746.html">汉嘉设计(300746)</a></li>
            
            <li><a target="_blank" href="http://quote.eastmoney.com/sz300747.html">锐科激光(300747)</a></li>
            
            <li><a target="_blank" href="http://quote.eastmoney.com/sz300750.html">宁德时代(300750)</a></li>
            </ul>
            
            </div>']    
16 
17 #CSS与xpath不同，不能像xpath那样有“root”和“/ 。/ //”的概念。
18 >>> stocklist = response.css("div#quotesearch")    
19 >>> stock = stocklist.css("./ul/li/a::text")
20 Traceback (most recent call last):
21   File "/usr/lib/python3.5/code.py", line 91, in runcode
22     exec(code, self.locals)
23   File "<console>", line 1, in <module>
24   File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 93, in css
25     return self.__class__(flatten([x.css(query) for x in self]))
26   File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 93, in <listcomp>
27     return self.__class__(flatten([x.css(query) for x in self]))
28   File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 262, in css
29     return self.xpath(self._css2xpath(query))
30   File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/selector.py", line 265, in _css2xpath
31     return self._csstranslator.css_to_xpath(query)
32   File "/home/tlfox/.local/lib/python3.5/site-packages/parsel/csstranslator.py", line 109, in css_to_xpath
33     return super(HTMLTranslator, self).css_to_xpath(css, prefix)
34   File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/xpath.py", line 192, in css_to_xpath
35     for selector in parse(css))
36   File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 355, in parse
37     return list(parse_selector_group(stream))
38   File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 368, in parse_selector_group
39     yield Selector(*parse_selector(stream))
40   File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 376, in parse_selector
41     result, pseudo_element = parse_simple_selector(stream)
42   File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 432, in parse_simple_selector
43     result = Class(result, stream.next_ident())
44   File "/home/tlfox/.local/lib/python3.5/site-packages/cssselect/parser.py", line 743, in next_ident
45     raise SelectorSyntaxError('Expected ident, got %s' % (next,))
46 cssselect.parser.SelectorSyntaxError: Expected ident, got <DELIM '/' at 1>
response.css
  • 我们之前在mySpider/items.py里定义了一个ItcastItem类，这里引入进来：
1 from mySpider.items import ItcastItem
  • 然后将我们得到的数据封装到一个ItcastItem对象中，可以保存每个老师的属性：（./mySpider/spiders/itcast.py）
 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from mySpider.items import ItcastItem
 4 
 5 class ItcastSpider(scrapy.Spider):
 6     #爬虫名，启动爬虫时需要的参数*必需）
 7     name = 'itcast'
 8 
 9     #爬取域范围，允许爬虫在这个域名下进行爬取（可选）
10     allowed_domains = ['itcast.cn']
11 
12     # 起始url列表，爬虫执行后第一批请求，将从这个列表里获取。
13     start_urls = ['http://www.itcast.cn/channel/teacher.shtml',]
14 
15     def parse(self, response):
16         node_list = response.xpath("//div[@class='li_txt']")
17 
18         #用来存储所有的item字段的
19         #items = []
20         for node in node_list:
21             #创建item字段对象，用来存储信息。
22             item = ItcastItem()
23             #.extract()将xpath对象转换为Unicode字符串            
24             name = node.xpath("./h3/text()").extract()
25             title = node.xpath("./h4/text()").extract()
26             info = node.xpath("./p/text()").extract()
27 
28             item['name']=name[0]
29             item['title']=title[0]
30             item['info']=info[0]
31 
32             #items.append(item)　　
33 　　　　　　　#放回提取到的每个item数据，给管道文件来处理，同时放回到for循环，继续执行for循环代码。　
34         　　 yield items
35

 yield的作用是：它把数据返回到一个管道中，等处理网数据之后，它会回到for循环的初始位置，执行没有完成的for循环语句，直到for循环语句结束之后方法才会结束。

另一种实现方式：

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from mySpider.items import ItcastItem
 4 
 5 class ItcastSpider(scrapy.Spider):
 6      #爬虫名，启动爬虫时需要的参数*必需）
 7      name = 'itcast'
 8  
 9      #爬取域范围，允许爬虫在这个域名下进行爬取（可选）
10      allowed_domains = ['itcast.cn']
11  
12      # 起始url列表，爬虫执行后第一批请求，将从这个列表里获取。
13      start_urls = ['http://www.itcast.cn/channel/teacher.shtml',]
14  
15      def parse(self, response):
16          node_list = response.xpath("//div[@class='li_txt']")
17  
18          #用来存储所有的item字段的
19          items = []
20 
21          for node in node_list:
22              #创建item字段对象，用来存储信息。
23              item = ItcastItem()
24              #.extract()将xpath对象转换为Unicode字符串            
25              name = node.xpath("./h3/text()").extract()
26              title = node.xpath("./h4/text()").extract()
27              info = node.xpath("./p/text()").extract()
28              #xpath返回的是包含一个元素的列表
29              item['name']=name[0]
30              item['title']=title[0]
31              item['info']=info[0]
32  
33              items.append(item)　　#放回提取到的每个item数据，给管道文件来处理，同时放回到for循环,继续执行for循环代码。　
34         
35         #直接返回最后数据
36         return items
直接返回最后数据

 保存数据

scrapy保存信息的最简单的方式主要有四种，-o输出指点的文件，命令如下：

 1 # json格式，默认为Unicode编码
 2 scrapy crawl itcast -o teachers.json
 3 
 4 # json lines格式，默认为Unicode编码
 5 scrapy crawl itcast -o teachers.json1
 6 
 7 # csv 逗号表示式，可用Excel打开
 8 scrapy crawl itcast -o teachers.csv
 9 
10 # xml 格式:
11 scrapy crawl itcast -o teachers.xml

3. item pipeline

当item在spider中被收集之后，它将会被传递到item Pipeline，这些item Pipeline组件按定义的顺序处理item。

每个item Pipeline都是实现了简单方法的Python类，比如决定此item是丢弃而存储，以下是item pipeline的一些典型应用：

  • 验证爬取的数据（检查item包含某些字段，比如说name字段）
  • 查重（并丢弃）
  • 将爬取结果保存到文件或者数据库中。

编写item pipeline

编写item pipeline很简单，item pipeline组件是一个独立的python类，其中process_item()方法必须实现：

/mySpider/settings

1 ITEM_PIPELINES = {
2     'ITcast.pipelines.ItcastPipeline':300,         # 数越低，处理的优先级越高。
3     'ITcast.pipelines.xxxPipeline':400,
4 }
【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/tlfox2006/p/9346842.html