如何自己搭建Scrapy爬虫框架

当你学了一段时间爬虫后，就会知道各种功能太多而且麻烦。还不如自己整理个框架方便的多。因此，从开始写爬虫程序开始，就会慢慢的接触到一些有关爬虫的框架、效率提升而且扩展也很方便。接下来我将会以Scrapy爬虫框架将我的学习过程记录下供大家参考指正。

一、安装

$ pip install scrapy

二、创建爬虫工程

$ scrapy startproject wikiSpider

三、爬虫工程目录结构

wikiSpider项目文件夹的目录结构如下所示:

scrapy.cfg- wikiSpider - __init__.py - items.py - pipelines.py - settings.py - spiders - __init__.py

四、定义需要爬取数据字段

我们准备爬取页面的标题在items.py文件中，定义一个Article类，然后编写如下代码：

from scrapy import Item,Fieldclass Article(Item): title = Field()

五、创建一个爬虫文件

为了创建一个爬虫，我们需要在wikiSpider/wikiSpider/spiders/文件夹里增加一个 articleSpider.py文件。

在新建的articleSpider.py文件里面，写如下代码：

from scrapy.selector import Selectorfrom scrapy import Spiderfrom wikiSpider.items import Articleclass ArticleSpider(Spider): name = 'article' allowd_domains = ["en.wikipedia.org"] start_urls = ['http://en.wikipedia.org/wiki/Main_Page','http://en.wikipedia.org/wiki/Python_%28programming_language%29'] def parse(self,response): item = Article() title = response.xpath('//h1/text()')[0].extract() print("Title is : "+title) item['title'] = title return item

这个类的名称(ArticleSpider )与爬虫文件的名称(wikiSpider)是不同的， 这个类只是 在 wikiSpider 目录里的一员，仅仅用于维基词条页面的采集。

运行爬虫

你可以在wikiSpider主目录中用如下命令运行 ArticleSpider :

$ scrapy crawl article

这行命令会用ArticleSpider类中的定义的name调用爬虫。这个爬虫先进入start_urls里面的两个页面，收集信息，然后停止。

Scrapy支持用不同的输出格 式来保存这些信息，比如CSV、JSON 或XML文件格式，对应命令如下所示：

$ scrapy crawl article -o articles.csv -t csv $ scrapy crawl article -o articles.json -t json $ scrapy crawl article -o articles.xml -t xml

当然，你也可以自定义 Item 对象，把结果写入你需要的一个文件或数据库中，只要在爬虫的parse部分增加相应的代码即可。如果觉得内容还不错，分享给更多朋友，一起提升编程技能。