本文共 3226 字，大约阅读时间需要 10 分钟。
前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者： 程序员野客
PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
实现过程
制作 Scrapy 爬虫需如下四步：
- 创建项目 ：创建一个爬虫项目
- 明确目标 ：明确你想要抓取的目标（编写 items.py）
- 制作爬虫 ：制作爬虫开始爬取网页（编写 xxspider.py）
- 存储内容 ：设计管道存储爬取内容（编写pipelines.py）
我们以爬取去哪儿网北京景区信息为例，如图所示：
创建项目 在我们需要新建项目的目录，使用终端命令 scrapy startproject 项目名 创建项目，我创建的目录结构如图所示：
- spiders 存放爬虫的文件
- items.py 定义数据类型
- middleware.py 存放中间件
- piplines.py 存放数据的有关操作
- settings.py 配置文件
- scrapy.cfg 总的控制文件
定义 Item
Item 是保存爬取数据的容器，使用的方法和字典差不多。我们计划提取的信息包括：area（区域）、sight（景点）、level（等级）、price（价格），在 items.py 定义信息，源码如下：
import scrapyclass TicketspiderItem(scrapy.Item): area = scrapy.Field() sight = scrapy.Field() level = scrapy.Field() price = scrapy.Field() pass
爬虫实现
在 spiders 目录下使用终端命令 scrapy genspider 文件名 要爬取的网址 创建爬虫文件，然后对其修改及编写爬取的具体实现，源码如下：
import scrapyfrom ticketSpider.items import TicketspiderItemclass QunarSpider(scrapy.Spider): name = 'qunar' allowed_domains = ['piao.qunar.com'] start_urls = ['https://piao.qunar.com/ticket/list.htm?keyword=%E5%8C%97%E4%BA%AC®ion=&from=mpl_search_suggest'] def parse(self, response): sight_items = response.css('#search-list .sight_item') for sight_item in sight_items: item = TicketspiderItem() item['area'] = sight_item.css('::attr(data-districts)').extract_first() item['sight'] = sight_item.css('::attr(data-sight-name)').extract_first() item['level'] = sight_item.css('.level::text').extract_first() item['price'] = sight_item.css('.sight_item_price em::text').extract_first() yield item # 翻页 next_url = response.css('.next::attr(href)').extract_first() if next_url: next_url = "https://piao.qunar.com" + next_url yield scrapy.Request( next_url, callback=self.parse ) 简单介绍一下：
- name：爬虫名
- allowed_domains：允许爬取的域名
- atart_urls：爬取网站初始请求的 url（可定义多个）
- parse 方法：解析网页的方法
- response 参数：请求网页后返回的内容
yield
在上面的代码中我们看到有个 yield，简单说一下，yield 是一个关键字，作用和 return 差不多，差别在于 yield 返回的是一个生成器（在 Python 中，一边循环一边计算的机制，称为生成器），它的作用是：有利于减小服务器资源，在列表中所有数据存入内存，而生成器相当于一种方法而不是具体的信息，占用内存小。
爬虫伪装
通常需要对爬虫进行一些伪装
- 使用终端命令 pip install scrapy-fake-useragent 安装
- 在 settings.py 文件中添加如下代码：
DOWNLOADER_MIDDLEWARES = { # 关闭默认方法 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None, # 开启 'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 400, } 保存数据
我们将数据保存到本地的 csv 文件中，csv 具体操作可以参考：CSV 文件读写，下面看一下具体实现。
首先，在 pipelines.py 中编写实现，源码如下：
import csvclass TicketspiderPipeline(object): def __init__(self): self.f = open('ticker.csv', 'w', encoding='utf-8', newline='') self.fieldnames = ['area', 'sight', 'level', 'price'] self.writer = csv.DictWriter(self.f, fieldnames=self.fieldnames) self.writer.writeheader() def process_item(self, item, spider): self.writer.writerow(item) return item def close(self, spider): self.f.close() 然后，将 settings.py 文件中如下代码：
ITEM_PIPELINES = { 'ticketSpider.pipelines.TicketspiderPipeline': 300,} 放开即可。
运行
我们在 settings.py 的同级目录下创建运行文件，名字自定义，放入如下代码：
from scrapy.cmdline import executeexecute('scrapy crawl 爬虫名'.split()) 这个爬虫名就是我们之前在爬虫文件中的 name 属性值，最后在 Pycharm 运行该文件即可。
转载地址：http://pgjmf.baihongyu.com/