Python爬虫 （10）用Scrapy爬取菜鸟Git教程目录

2019年6月11日 342次阅读 来源: 但盼风雨来_jc

  Scrapy作为爬虫利器，是一个很好的Pyhon爬虫框架，现在也已经支持Python3了。具体的安装过程可以参考：http://www.yiibai.com/scrapy/scrapy_environment.html 。关于srapy的具体介绍，可以参考网址：https://docs.scrapy.org/en/latest/ 。
  本文将介绍一个极为简单的例子，通过该例子来帮读者快速进入scrapy的世界，并会持续更新，做进一步的深入研究。本文的scrapy版本为1.0.3-1，python版本为2.7.12.
  我们要爬取的页面为菜鸟教程的Git教程目录，如下图：

《Python爬虫 （10）用Scrapy爬取菜鸟Git教程目录》 这里写图片描述

  首先我们先在当前目录下新建一个scrapy项目：scrapy_git,在终端输入如下命令：

scrapy startproject scrapy_git

再输入tree scrapy_git查看文件的树状结构：

《Python爬虫 （10）用Scrapy爬取菜鸟Git教程目录》 树状结构

接着切换到spider目录，并新建文件：git_jc.py,代码如下：

import scrapy

class ToScrapeCSSSpider(scrapy.Spider):
    name = "toscrape-css"
    start_urls = ['http://www.runoob.com/git/git-tutorial.html',]

    def parse(self,response):
        with open('/home/vagrant/python.txt', 'w') as f:
            for i in range(1,12):
                text = response.xpath('//*[@id="leftcolumn"]/a[%d]/text()'%i).extract()[0].encode("utf-8").strip('\n').strip('\t')
                f.write(text+'\n')

其中，toscrape-css为爬虫的名字，十分重要。start_urls为爬取的网页网址。定义parse()函数，将爬取到的目录写入/home/vagrant/python.txt中。在本代码中，采用xpath定位网页元素，当然也可以用css定位。
  用xpath定位网页元素的具体方法是：选中想要的元素，右击，选中检查(N)，在弹出的网页源代码中，右击，选中copy,再选copy XPath,然后粘贴即可。
  利用scrapy list可以查看可用的爬虫的名称：

《Python爬虫 （10）用Scrapy爬取菜鸟Git教程目录》 爬虫列表

  最后，输入以下命令即可运行该爬虫：（先要新建python.txt文件）

scrapy crawl toscrape-css

运行完后，查看python.txt文件，内容如下：
　　

《Python爬虫 （10）用Scrapy爬取菜鸟Git教程目录》 python.txt

Bingo，我们的scrapy爬虫就运行成功啦!

  在这个爬虫中，我们其它文件都没有动，而仅仅只是新建了一个git_jc.py文件，足可见scrapy的简洁与高效！期待下次分享~~

  本次分享到此结束，欢迎大家批评与交流~~

    原文作者：但盼风雨来_jc
    原文地址: https://www.jianshu.com/p/e5c87cd79ae5
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞