scrapy爬虫项目实战

好的，下面是一个简单的Scrapy爬虫项目实战，希望能帮助你入门Scrapy：

1. 分析目标网站

首先需要对目标网站进行分析，了解需要爬取的数据所在的页面、元素以及网站的反爬机制等。

以爬取豆瓣电影Top250为例，我们可以在浏览器中打开目标网站，查看其网页源代码，找到需要爬取的数据所在的元素，比如电影名称、导演、演员、评分等。

2. 创建Scrapy项目

打开命令行窗口，进入要创建项目的目录，输入以下命令：

scrapy startproject project_name

其中，`project_name`为你所创建的项目名称。

3. 创建Spider

在Scrapy中，Spider是爬取网站的核心组件。我们需要创建一个Spider来定义如何爬取目标网站的数据。

在Scrapy项目的根目录下，进入`/spiders`文件夹，创建一个新的Python文件，例如`douban_spider.py`。在该文件中，定义一个Spider类，继承自`scrapy.Spider`，并重写`start_requests()`和`parse()`方法。

`start_requests()`方法用于生成初始请求，`parse()`方法用于处理响应并提取数据。

import scrapy


class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        # 处理响应并提取数据
        pass

4. 提取数据

在`parse()`方法中，我们可以使用XPath或CSS选择器来提取数据。以提取电影名称为例，我们可以使用XPath表达式`//div[@class="hd"]/a/span[1]/text()`或CSS选择器`div.hd a span:nth-child(1)::text`。

import scrapy


class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        # 提取电影名称
        for item in response.xpath('//div[@class="hd"]/a/span[1]/text()'):
            name = item.extract().strip()
            yield {'name': name}

5. 存储数据

最后，我们需要将提取到的数据存储到数据库或文件中。可以在`settings.py`文件中配置存储方式。

以下是将数据保存到JSON文件中的示例代码：

import scrapy


class DoubanSpider(scrapy.Spider):
    name = 'douban'
    allowed_domains = ['movie.douban.com']
    start_urls = ['https://movie.douban.com/top250']

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        # 提取电影名称
        for item in response.xpath('//div[@class="hd"]/a/span[1]/text()'):
            name = item.extract().strip()
            yield {'name': name}

        # 保存数据到JSON文件
        filename = 'douban.json'
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(json.dumps(data, ensure_ascii=False))

以上就是一个简单的Scrapy爬虫项目实战，希望对你有所帮助！