以『B站』为实战案例！手把手教你掌握爬虫必备框架『Scrapy』

1

前言

作为爬虫一员，掌握一门爬虫框架是必备技能，因此作为一名小白的你，我想向你推荐『Scrapy』。

具体『Scrapy』是什么，作用这些就不啰嗦（都是废话，百度有Scrapy简介），时间宝贵，就直接上干货（实战案例带你体验scrapy的使用）。

下面会以『B站』为目标进行实战！

2

Scrapy入门实战

1.环境准备

安装scrapy

pip install scrapy

通过上面这个命令即可直接安装好scrapy库

2.建立scrapy项目

scrapy startproject Bili

通过上面这个命令可以建立一个项目名称：Bili 的爬虫项目。

这里就可以在桌面建立了一个名字为：Bili 的爬虫项目

项目结构

Bili ├── Bili │ ├── __init__.py │ ├── items.py │ ├── middlewares.py │ ├── pipelines.py │ ├── __pycache__ │ ├── settings.py │ └── spiders │ ├── __init__.py │ └── __pycache__ └── scrapy.cfg

各个文件作用

• scrapy.cfg：项目的总配置文件，通常无须修改。

---

• Bili：项目的 Python 模块，程序将从此处导入 Python 代码。

• Bili/items.py：用于定义项目用到的 Item 类。Item 类就是一个 DTO（数据传输对象），通常就是定义 N 个属性，该类需要由开发者来定义。

---

• Bili/pipelines.py：项目的管道文件，它负责处理爬取到的信息。该文件需要由开发者编写。

---

• Bili/settings.py：项目的配置文件，在该文件中进行项目相关配置。

---

• Bili/spiders：在该目录下存放项目所需的蜘蛛，蜘蛛负责抓取项目感兴趣的信息。

3.明确爬取内容

https://search.bilibili.com/all?keyword=%E8%AF%BE%E7%A8%8B&page=2

以上面链接为例（B站），爬取视频的标题（title）和链接（url）

4.定义项目中每一个类

Items类

import scrapy
class BiliItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() #pass # 视频标题 title = scrapy.Field() # 链接 url = scrapy.Field()

爬取字段是视频的标题（title）和链接（url），所以对于了title和url两个变量

定义spider类

spider类作用是自定义网页解析规则（新建scrapy项目是没有的，需要自己新建）。

Scrapy 为创建 Spider 提供了 scrapy genspider 命令，该命令的语法格式如下：

scrapy genspider [options] <name> <domain>

在命令行窗口中进入 Bili 目录下，然后执行如下命令即可创建一个 Spider：

scrapy genspider lyc 'bilibili.com'

运行上面命令，即可在 Bili 项目的 Bili /spider 目录下找到一个 lyc.py 文件
编辑lyc.py

import scrapyfrom Bili.items import BiliItem
class LycSpider(scrapy.Spider):    name = 'lyc'    allowed_domains = ['bilibili.com']    start_urls = ['https://search.bilibili.com/all?keyword=课程&page=2']
    # 爬取的方法    def parse(self, response):        item = BiliItem()        # 匹配        for jobs_primary in response.xpath('//*[@id='all-list']/div[1]/ul/li'):            item['title'] = jobs_primary.xpath('./a/@title').extract()            item['url'] = jobs_primary.xpath('./a/@href').extract()            # 不能使用return            yield item
        # pass

修改pipeline类

这个类是对爬取的文件最后的处理,一般为负责将所爬取的数据写入文件或数据库中.。
这里我们将它输出到控制台.

from itemadapter import ItemAdapter
class BiliPipeline: def process_item(self, item, spider): print('title:', item['title']) print('url:', item['url'])


修改settings类

BOT_NAME = 'Bili'
SPIDER_MODULES = ['Bili.spiders']NEWSPIDER_MODULE = 'Bili.spiders'
# Crawl responsibly by identifying yourself (and your website) on the user-agent#USER_AGENT = 'Bili (+http://www.yourdomain.com)'
# Obey robots.txt rulesROBOTSTXT_OBEY = True# 配置默认的请求头DEFAULT_REQUEST_HEADERS = {    'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0',    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'}# Configure item pipelines# See https://docs.scrapy.org/en/latest/topics/item-pipeline.htmlITEM_PIPELINES = {    'Bili.pipelines.BiliPipeline': 300,}

一个 Scarpy项目的简单架构就完成了我们可以运行一下试试.

启动项目

scrapy crawl lyc

但只有 一页的内容 , 我们可以解析下一页 .
将以下代码加到 lyc.py

import scrapyfrom Bili.items import BiliItem
class LycSpider(scrapy.Spider):    name = 'lyc'    allowed_domains = ['bilibili.com']    start_urls = ['https://search.bilibili.com/all?keyword=课程&page=2']
    # 爬取的方法    def parse(self, response):        item = BiliItem()        # 匹配        for jobs_primary in response.xpath('//*[@id='all-list']/div[1]/ul/li'):            item['title'] = jobs_primary.xpath('./a/@title').extract()            item['url'] = jobs_primary.xpath('./a/@href').extract()            # 不能使用return            yield item
        # 获取当前页的链接        url = response.request.url        # page +1        new_link = url[0:-1]+str(int(url[-1])+1)        # 再次发送请求获取下一页数据        yield scrapy.Request(new_link, callback=self.parse)

下一页爬取