web爬虫-用Scrapy抓个网页

Scrapy是一种快速的高级Web爬虫和Web抓取框架，用于抓取网站并从其页面中提取结构化数据。它可用于各种用途，从数据挖掘到监控和自动化测试。

老规矩，使用前先用pip install scrapy进行安装，如果安装过程中遇到错误一般为error：Microsoft Visual C++ 14.0 is required. 只需要访问https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted网站下载Twisted-19.2.1-cp37-cp37m-win_amd64安装即可，注意cp37代表的是我本机python的版本3.7 amd64代表我的操作系统位数。

安装使用 pip install Twisted-19.2.1-cp37-cp37m-win_amd64.whl即可，然后在重新安装scrapy就会成功安装了；安装成功后我们就可以使用scrapy命令进行创建爬虫项目了。

接下来在我的桌面运行cmd命令，使用 scrapy startproject webtutorial创建项目：

会在桌面生成一个webtutorial文件夹，我们看下目录结构：

然后我们在spiders文件夹下新建一个quotes_spider.py，编写一个爬虫用来爬取http://quotes.toscrape.com网站保存为一个html文件，网站截图如下：

代码如下：

import scrapy

#定义爬虫类
class QuotesSpider(scrapy.Spider):
    #指定爬虫名字 一会要用到
    name = "quotes"
    #开始请求方法
    def start_requests(self):
        urls = [
                'http://quotes.toscrape.com/page/1/',
                'http://quotes.toscrape.com/page/2/']
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)
#解析写入返回内容到html中
    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)

之后的目录结构为：

然后我们在命令行中切换到webtutorial文件夹下，执行命令scrapy crawl quotes进行抓取（quotes为刚才指定的爬虫名）：

发现出错了，No module named 'win32api',这里我们安装一下win32api

使用命令 pip install pypiwin32，然后继续执行scrapy crawl quotes：

可知爬虫任务成功执行，这时会在webtutorial文件夹下生成两个html：

至此使用scrapy的抓取网页初学结束了，下节见。

关注公号

下面的是我的公众号二维码图片，欢迎关注。

yale记公众号