Python爬虫教程-31-创建 Scrapy 爬虫框架项目

首先说一下，本篇是在 Anaconda 环境下，所以如果没有安装 Anaconda 请先到官网下载安装

Anaconda 下载地址：https://www.anaconda.com/download/

Scrapy 爬虫框架项目的创建

0.打开【cmd】

1.进入你要使用的 Anaconda 环境

这里我们就把项目创建好了，分析一下自动生成的文件的作用

1.环境名可以在【Pycharm】的【Settings】下【Project：】下找到

2.使用命令：activate 环境名，例如：

activate learn

3.进入想要存放 scrapy 项目的目录下 【注意】

4.新建项目：scrapy startproject xxx项目名，例如：

scrapy startproject new_project

5.操作截图：

6.在文件资源管理器打开该目录，就会发现生成了好几个文件

7.使用 Pycharm 打开项目所在目录就可以了

Scrapy 爬虫框架项目的开发

0.使用 Pycharm 打开项目，截图：

项目的开发的大致流程：

地址 spider/xxspider.py 负责分解，提取下载的数据

1.明确需要爬取的目标/产品：编写 item.py

2.在 spider 目录下载创建 python 文件制作爬虫：

3.存储内容：pipelines.py

Pipeline.py 文件

当 spider 对象被关闭的时候调用

spider 对象对开启的时候调用

进行一些必要的参数初始化

spider 提取出来的 item 作为参数传入，同时传入的还有 spider

此方法必须实现

必须返回一个 Item 对象，被丢弃的 item 不会被之后的 pipeline

对应 pipelines 文件

爬虫提取出数据存入 item 后，item 中保存的数据需要进一步处理，比如清洗，去虫，存储等

Pipeline 需要处理 process_item 函数

process_item

_ init _：构造函数

open_spider(spider)：

close_spider(spider)：

Spider 目录

对应的是文件夹 spider 下的文件

_ init _：初始化爬虫名称，start _urls 列表

start_requests：生成 Requests 对象交给 Scrapy 下载并返回 response

parse：根据返回的 response 解析出相应的 item，item 自动进入 pipeline：如果需要，解析 url，url自动交给 requests 模块，一直循环下去

start_requests：此方法尽能被调用一次，读取 start _urls 内容并启动循环过程

name：设置爬虫名称

start_urls：设置开始第一批爬取的 url

allow_domains：spider 允许去爬的域名列表

start_request(self)：只被调用一次

parse：检测编码

log：日志记录