Python面试题：结合Python技术，如何使用Scrapy构建爬虫框架

news/2024/9/25 19:16:12/

Scrapy 是一个强大的 Python 爬虫框架，适用于大规模的网页数据抓取。它提供了许多内置的功能来简化爬虫开发。下面我们介绍如何使用 Scrapy 构建爬虫框架，包括安装、创建项目、定义爬虫和数据提取等步骤。

安装 Scrapy

首先，确保你已经安装了 Scrapy，可以使用 pip 进行安装：

pip install scrapy

创建 Scrapy 项目

使用 Scrapy 的命令行工具创建一个新项目：

scrapy startproject myproject

这将创建一个名为 myproject 的目录结构，如下所示：

myproject/scrapy.cfgmyproject/__init__.pyitems.pymiddlewares.pypipelines.pysettings.pyspiders/__init__.py

定义 Item

在 items.py 文件中定义要抓取的数据结构：

python">import scrapyclass MyprojectItem(scrapy.Item):title = scrapy.Field()link = scrapy.Field()description = scrapy.Field()

创建爬虫

在 spiders/ 目录下创建一个新的爬虫文件，例如 example_spider.py：

python">import scrapy
from myproject.items import MyprojectItemclass ExampleSpider(scrapy.Spider):name = "example"allowed_domains = ["example.com"]start_urls = ["http://example.com"]def parse(self, response):for article in response.css('div.article'):item = MyprojectItem()item['title'] = article.css('h2 a::text').get()item['link'] = article.css('h2 a::attr(href)').get()item['description'] = article.css('p::text').get()yield item

配置设置

在 settings.py 中配置一些常用设置，例如 USER_AGENT 和 ITEM_PIPELINES：

python"># settings.py# 定义User-Agent
USER_AGENT = 'myproject (+http://www.yourdomain.com)'# 启用 Pipeline
ITEM_PIPELINES = {'myproject.pipelines.MyprojectPipeline': 300,
}

定义 Pipeline

在 pipelines.py 中定义如何处理抓取的数据，例如将数据保存到数据库或文件中：

python">class MyprojectPipeline:def process_item(self, item, spider):# 处理 item，例如保存到数据库或文件return item

运行爬虫

使用 Scrapy 命令行工具运行爬虫：

scrapy crawl example

高级用法

1. 处理分页

如果需要处理分页，可以在 parse 方法中调用其他解析方法：

python">def parse(self, response):for article in response.css('div.article'):item = MyprojectItem()item['title'] = article.css('h2 a::text').get()item['link'] = article.css('h2 a::attr(href)').get()item['description'] = article.css('p::text').get()yield itemnext_page = response.css('a.next::attr(href)').get()if next_page:yield response.follow(next_page, self.parse)

2. 使用 CrawlSpider 处理更复杂的站点结构

CrawlSpider 提供了一种更强大的方式来处理站点的抓取规则：

python">import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from myproject.items import MyprojectItemclass MyCrawlSpider(CrawlSpider):name = 'mycrawl'allowed_domains = ['example.com']start_urls = ['http://example.com']rules = (Rule(LinkExtractor(allow=('/category/',)), callback='parse_item', follow=True),)def parse_item(self, response):item = MyprojectItem()item['title'] = response.css('h2 a::text').get()item['link'] = response.css('h2 a::attr(href)').get()item['description'] = response.css('p::text').get()yield item