「Python：Scrapy爬虫框架」

当我们开始学习python爬虫的时候，都是先学习不同的爬虫库，然后开始通过单脚本来进行爬虫代码的编写，从数据提取到解析到存储都需要自己编写代码。但是Scrapy爬虫框架是可以将数据字段定义、网络请求和解析，数据处理和存储分不同的部分形成一个整体，极大的方便了代码的理解和编写。

针对Scrapy的安装网上有很多，这里就不一一介绍了，我们以简书网专题数据爬取为例来同步介绍相关定义和代码实践。

1、项目创建

创建一个Scrapy项目非常简单，一般快速创建可以通过终端直接输入如下代码：

scrapy startproject zhuanti_new

如果要在不同的文件中创建此项目，就需要先找到对应的文件路径，当然你也可以通过pycharm，直接在对应的文件中，点击左下角终端进行创建，项目就直接在对应的项目文件中创建了一个Scrapy项目

2、Scrapy项目文件介绍

通过下面截图可以看到一个Scrapy项目有哪些文件，同时还需要创建和生成哪些文件，接下来逐一介绍。

（1）最顶层的zhuanti_new文件夹是Scrapy的项目名称

（2）第2层有4个文件：

第1个：和项目名称相同的文件，就是我们通常叫的爬虫包，所有的爬虫代码都在这个包里面

第2个：mian文件，是用来运行这个项目的主函数代码文件，代码写完后通过这个文件总体运行

第3个：配置文件，说明一下默认设置文件的位置为zhuanti_new模块下的settings文件，同时定义项目名称为：zhuanti_new

第4个：为存储爬取结果的txt文件

针对第一个文件里面的代码重点文件下面逐一介绍一下：

（1）items.py文件：定义爬虫抓取的字段信息

（2）pipelines.py文件：主要用于数据处理、清洗和存储

（3）settings.py：主要用于设置请求头、报警处理等相关问题

（4）zhuantispider.py文件：重点爬取数据过程的代码文件，也是新建立的文件

代码如下：

from zhuanti_new.items import ZhuantiNewItemimport scrapyfrom scrapy.selector import Selector
class JianshuSpiderSpider(scrapy.Spider):   name = 'zhuantispider'   allowed_domains = ['jianshu.com']   start_urls = ['https://www.jianshu.com/recommendations/collections?page=1&order_by=hot']   #print(start_urls)
   def parse(self, response):       '''解析外面页面'''       selector = Selector(response)       partical_urls = selector.re('<div class="count"><a target="_blank" href="(.*?)">', selector)       for url in partical_urls:           print(url)           right_url = response.urljoin(url)           #print(right_url)           parts = ['?order_by=added_at&page={0}'.format(k) for k in range(1, 11)]           for part in parts:               # 要爬取每个专题的前10个文章的信息               real_url = right_url + part               #print(real_url)               yield scrapy.Request(real_url, callback=self.parse_detail)
       links = ['https://www.jianshu.com/recommendations/collections?page={}&order_by=hot'.format(i) for i in                range(2, 3)]       for link in links:           print(link)           request = scrapy.Request(link, callback=self.parse)           yield request
   def parse_detail(self, response):       selector = Selector(response)       content = selector.xpath('//div[@class="content"]')       for detail in content:           try:               title = detail.xpath('a[1]/text()').extract_first()               summary = detail.xpath('p/text()').extract_first().strip()               author = detail.xpath('div/a[1]/text()').extract_first()               # comments = detail.xpath('div/a[2]/text()').extract_first()这样是不行的               comments = detail.xpath('div/a[2]/text()').extract()[1].strip()               likes = detail.xpath('div/span[1]/text()').extract_first().strip()               money = detail.xpath('div/span[2]/text()').extract_first()
               item = ZhuantiNewItem()               if money is not None:                   item['title'] = title                   item['summary'] = summary                   item['author'] = author                   item['comments'] = comments                   item['likes'] = likes                   item['money'] = money.strip()               else:                   item['title'] = title                   item['summary'] = summary                   item['author'] = author                   item['comments'] = comments                   item['likes'] = likes               print(item)               yield item           except:               pass