Scrapy爬虫框架实战案例（适合小白人门）

初识Scrapy

• 开发环境
• 创建项目
• 创建爬虫
• 项目结构图
• 创建Item
• 分析HTML
• 爬取网页

开发环境

运行平台：Windows 10 Python版本：Python 3.6.1 Scrapy版本：Scrapy 1.4.0 IDE：Sublime text3 浏览器：chrome

下面我们进入本文的主题，爬取我们的第一个网页“去哪儿”的酒店城市列表,图中红色框框部门。

“去哪儿”：http://bnb.qunar.com/hotcity.jsp

创建项目

scrapy startproject qunar

红框中是指出创建一个新爬虫。

创建爬虫

cd qunar
scrapy genspider hotel bnb.qunar.com

自此，我们的项目算是基本创建好了，其中“hotel”是指爬虫的名称，“bnb.qunar.com”爬虫的域名。不过为了方便我们项目启动，可以在项目中新建一个entrypoint.py文件，文件内容如下：

项目结构图

创建Item

创建一个新的Item方便我们保存所爬取的数据，从爬取的页面中可以看出，我们需要两个数据就够了，一个是城市名称，另一个是城市对应的URL。 下面我们就来创建保存这两个数据Item:

上面QunarItem是由scrapy自动生成出来的，我们暂时先不管它，如果你想直接用系统创建的那个Item也是可以的。我这里是自己新创建一个，看起来比较好管理。

分析HTML

按F12进入开发者工具，在按Ctrl + Shift + c 进入元素查找状态，找到包裹我们要爬取内容的div，如图下所示:

从图中可以看出，A~Z分别在一个div中，所以我们只要解析出一个div那其他25个div也就解析出来了。然后，我们在从右侧中一层一层点进去，找到第一个城市“阿坝”，如下图所示：

通过对图的观察，可以发现，我们首先要找到包裹所以内容class=”b_allcity”的div,在从这个div中找到所有class=”e_city_list”的div，在从中找到所有“li”标签中的“a”标签，爬取“a”标签中的文本及“href”属性。

item我们已经创建好了，对HTML页面也进行了分析，下面就可以进入主题了“爬虫”，有点小激动。

爬取网页

打开spiders中的hotel.py文件。这文件是系统帮我们创建的，系统帮我们创建了一下关键代码。如图

下面我们只要对这么代码稍稍改动一点，并写出之前我们对HTML解析的代码就好了。如图：

本文中我使用的是“BeautifulSoup”来对HTML代码进行解析的，如果有没装“BeautifulSoup”的小伙伴可以在命令窗口中直接安装，安装代码：

pip install bs4

写到这里，代码就已经写完了，下面我们就来运行起来看看效果如何。 在命令窗口输入：

python entrypoint.py

结果：

从图中可以看出，我们要爬取的内容已经被我们爬取出来了。是不是觉得“so easy”呀！！！