爬虫框架Scrapy 之(四) ---

 

解析后返回可迭代对象

• 这个对象返回以后就会被爬虫重新接收，然后进行迭代
• 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中
• 如果管道开启，则每迭代一次数据就会将其输入到管道中（在settings文件中可以开启管道）

1. budejie.py 文件

 1  def parse(self, response):
 2         # 这个函数是解析函数，它是通过下载来回调，下载器下载完成一个url数据以后就会回调这个函数并且把下载的响应对象通过response参数传递过来
 3         print(response)

 4         # 解析response
 5         contents = response.xpath("//div[@class='j-r-list']/ul/li") # scrapy中自带xpath和css两种解析方法
 6         # print(contents)
 7         for content in contents:
 8             item = {}
 9             item["author"] = content.xpath(".//a[@class='u-user-name']/text()").extract()[0]
10             # scrapy的xpath和css方法中返回出来的是一个Selector对象列表，我们需要用extract函数将内容从这个对象中提取出来
11             item["authorImg"] = content.xpath(".//img[@class='u-logo lazy']/@data-original").extract()[0]
12             item["content"] = content.xpath(".//div[@class='j-r-list-c-desc']/a/text()").extract()[0]
13             item["imgSrc"] = content.xpath(".//img[@class='lazy']/@data-original").extract()[0]
14             # print(item)


15             yield item  # 每一个解析函数最后都要返回出去一个可迭代的对象
16             # 这个对象返回以后就会被爬虫重新接收，然后进行迭代
17             # 通过scrapy crawl budejie -o xx.josn/xx.xml/xx.csv 将迭代数据输出到json、xml或者csv格式的外部文件中
18             # 如果管道开启，则每迭代一次数据就会将其输入到管道中（在settings文件中可以开启管道）

开启管道，将迭代的对象传入管道

• 在setting.py 文件中开启管道（67--69行）

1 ITEM_PIPELINES = {
2    'MyFirstScrapy.pipelines.MyfirstscrapyPipeline': 300,
3     # settings文件中可以配置相关的组件，其中ITEM_PIPELINES就是其中的一种组件（即管道组件），管道组件的值是一个字典，代表可以设置多个值
4     # 字典中的一个键值对就代表着一个管道组件，键代表当前管道组件的位置，值代表当前管道组件的优先级（数字越小优先级越大）
5 
6     # 数据会按照管道优先级，从高向低传递
7     'MyFirstScrapy.pipelines.CSVPipeline': 200
8 
9 }

MyfirstscrapyPipeline 管道类

• 在pipelines.py 文件中 声明、设置管道类

 1 class MyfirstscrapyPipeline(object):
 2   # 这个类集成自一个普通类，但是如果我们把它加入到管道组件中就变成了一个管道类
 3 
 4     # 一个管道类有以下三个生命周期函数
 5     def open_spider(self,spider):
 6         print("爬虫开启")
 7         print("当前开启的爬虫为：",spider)
 8         # 创建一个redis链接
 9         self.rds = redis.StrictRedis(host="www.fanjianbo.com",port=6379,db=8)
10 
11     def process_item(self, item, spider):
12       # 当爬虫解析完数据以后，这个方法去迭代返回到管道中数据
13         print("爬虫正在迭代数据...")
14         print("当前正在%s爬虫迭代的数据是：%s"%(spider,item))
15         # 向redis数据库中存入数据
16         self.rds.lpush("budejie",item)
17         return item
18         # 每迭代一次以后，一定将迭代过的数据return出去
19 
20     def close_spider(self,spider):
21         print("爬虫%s关闭！"%spider)
22 
23 
24 
25 # 声明一个管道类，用于写csv数据
26 class CSVPipeline(object):
27     def open_spider(self,spider):
28         # 打开csv文件
29         self.csvfile = open("data.csv","a+",newline='',encoding="utf-8")
30         self.writer = csv.writer(self.csvfile)
31         self.writer.writerow(["author","authorImg","content","imgSrc"])
32 
33     def process_item(self,item,spider):
34         vals = []
35         for k,v in item.items():
36             vals.append(v)
37         self.writer.writerow(vals)
38         return item 
39         # 如果优先级高的管道跌打完数据以后不返回出去，
40         # 这个数据就会销毁，后面的管道就无法使用该数据
41 
42     def close_spider(self,spider):
43         self.csvfile.close()

 post请求

scrapy的下载器有Request和FormRequest两种，分别用来处理get请求和post请求

import scrapy

class FanyiSpider(scrapy.Spider):
    name = 'fanyi'
    allowed_domains = ['baidu.com']
    # start_urls = ['https://fanyi.baidu.com/sug']
    # scrapy中的下载器有两种：get请求的下载器 和 post请求的下载器
    #       （默认是发起get请求，引擎启动以后首先会从start_urls中提取起始地址，然后直接发起get请求）
    # 如果发起post请求首先要把start_urls注释掉
    # 重写生命周期函数
    def start_requests(self):
        # 这生命周期函数在下载启动之前调用
        print("下载器将要启动...")
        # post的url
        post_url = "https://fanyi.baidu.com/sug"
        # post参数
        data = {
            "kw":"a"
        }
        # 发起请求   scrapy的下载器有Request和FormRequest两种，分别用来处理get请求和post请求
        yield scrapy.FormRequest(url=post_url,formdata=data,callback=self.parse_post)
        

    # 定义一个函数，用于post请求的回调
    def parse_post(self, response):
        print(response.text)