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)