一、說明

最近心血來潮想學(xué)一下爬蟲，簡單看了些速成視頻，用scrapy從一些結(jié)構(gòu)簡單的網(wǎng)站上爬了一些數(shù)據(jù)下來，這里記錄一下步驟。

下圖是把人家的ip扒下來了。

二、環(huán)境準(zhǔn)備（下載pycharm，創(chuàng)建scrapy項目）

我是在Windows上弄的，首先下一個pycharm，然后創(chuàng)建一個項目，項目名一般是取要爬的網(wǎng)站的域名+Spider，這個沒什么規(guī)定，只是習(xí)慣，比如說要爬這個網(wǎng)址：

https://www.kuaidaili.com/free/

項目名就取 kuaidailiSpider 吧：

然后 import scrapy 讓pycharm幫忙把環(huán)境準(zhǔn)備一下：

裝好之后，進(jìn)入項目根目錄：

venv\Scripts

這個目錄里面有 scrapy.exe ，復(fù)制一下這個路徑，回到項目根目錄(main.py所在的位置)，打開終端：

通過相對路徑運行 scrapy.exe 創(chuàng)建一個 scrapy 項目：

./venv/Scripts/scrapy.exe startproject kuaidailiSpider

創(chuàng)建好項目之后，在pycharm里可以看到文件結(jié)構(gòu)的變化：

到現(xiàn)在為止，scrapy項目就創(chuàng)建好了。

三、創(chuàng)建spider類

終端中進(jìn)入 kuaidailiSpider 目錄，里面應(yīng)該有一個 cfg 文件的：

在這個有 cfg 文件的目錄下執(zhí)行下面的命令來創(chuàng)建一個 spider 類：

../venv/Scripts/scrapy.exe genspider kuaidaili kuaidaili.com

這個命令的意思是生成 spider 類，類名是 kuaidaili ，爬取路徑是 kuaidaili.com.

執(zhí)行成功后發(fā)現(xiàn) spider 目錄下多了一個文件 kuaidaili.py

接下來的爬蟲代碼基本都在這里完成，但是在此之前先要完成一些其他設(shè)置。

四、修改設(shè)置文件

修改 settings.py，把遵守規(guī)則改成false：

因為如果遵守規(guī)則，可能什么都爬不到，只能鋌而走險啦！

然后在請求頭這里，取消注釋，然后加一個 user-agent，這個 user-agent 你可以去瀏覽器上按F12，然后刷新網(wǎng)頁，從 network 那里找一個網(wǎng)頁，把它的 user-agent 復(fù)制過來：

這里就是說，默認(rèn)是沒有請求頭的，我們加一個，偽裝成 chrome 瀏覽器，這樣網(wǎng)站就以為我們是人了。

但是我們也不是壞人，為了不把網(wǎng)站搞爆，出于良心，我把延時加上了，這個你也可以不加：

準(zhǔn)備工作做完啦！

五、編寫爬蟲代碼（爬取第一個頁面）

打開爬蟲文件，默認(rèn)模板是這樣的：

parse 函數(shù)是每次下載網(wǎng)頁之后的回調(diào)函數(shù)，我們在這里寫代碼。首先回到瀏覽器，把鼠標(biāo)放在想要觀察的ip這里，右鍵點檢查，觀察HTML結(jié)構(gòu)：

發(fā)現(xiàn)是一個 tr 里面有很多 td，我們只需遍歷所有 tr 再遍歷里面的 td 就行了，這里涉及 xpath 語法，我也不懂，反正我是照著視頻的代碼改的：

注意 start_urls 是開始爬取的頁面，這里改成:

start_urls = ['http://kuaidaili.com/free']

寫好了，然后回到終端，輸入這個命令開始爬蟲：

../venv/Scripts/scrapy.exe crawl kuaidaili

這樣就算是把第一個頁面爬好了，我們可以把這些數(shù)據(jù)存到數(shù)據(jù)庫或者磁盤上。

六、翻頁爬取

如果想翻頁咋辦呢，我們研究一下翻頁對url的影響，發(fā)現(xiàn)規(guī)律如下：

https://www.kuaidaili.com/free/inha/1/ https://www.kuaidaili.com/free/inha/2/ https://www.kuaidaili.com/free/inha/3/ ...

后面的數(shù)字表示頁碼。

右鍵檢查，由于沒有下一頁按鈕，所以只能通過 active 類找到當(dāng)前頁面，然后 +1 了。

class 是 active，我們可以通過 xpath 獲取 href，這里就照貓畫虎，我也懶得學(xué)這個 xpath，xpath 是這樣子的：

//a[@class="active"]/@href

最終代碼是這樣的，如果運行爆503錯誤，就是被反爬了，解決方案就是修改 settings 文件，加 user-agent，加延時，關(guān)閉 obey。

import scrapyclass KuaidailiSpider(scrapy.Spider):name = 'kuaidaili'allowed_domains = ['kuaidaili.com']start_urls = ['http://kuaidaili.com/free']def parse(self, response):selectors = response.xpath("//tr") # 選擇所有tr標(biāo)簽# 遍歷tr標(biāo)簽下的td標(biāo)簽for selector in selectors:ip = selector.xpath("./td[1]/text()").get()port = selector.xpath("./td[2]/text()").get()print(ip, port)# 翻頁，每個網(wǎng)站不一樣，我測試的 Kuaidaili 就沒有下一頁current_page = response.xpath('//a[@class="active"]/@href').get()print(current_page)current_page_id = int(current_page[current_page[:-1].rfind("/") + 1:-1])print(current_page_id)if current_page and current_page_id < 3:current_url = response.urljoin(current_page)next_url = current_url[:current_url[:-1].rfind("/") + 1] + str((int(current_url[current_url[:-1].rfind("/") + 1:-1]) + 1)) + "/"print(next_url)# 頁碼+1得到下一頁# 發(fā)出請求yield scrapy.Request(next_url, callback=self.parse)print("----------------------------------------------------------------\n\n\n")

運行爬蟲要用 crawl 參數(shù)，如下圖：

../venv/Scripts/scrapy.exe crawl kuaidaili

總結(jié)

以上是生活随笔為你收集整理的第一次scrapy爬虫记录的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。