当前位置:
首页 > temp > 简明python教程 >
-
使用Python爬虫Scrapy框架爬取数据
时隔数月,国庆期间想做个假期旅游的分析展示。
1、通过Python爬取旅游网站上数据,并存储到数据库
2、通过Echart/FineReport/Superset等数据分析工具对数据展示
环境:
Win10
Python:3.7
Scrapy:1.5.1
使用Pycharm开发
Scrapy文档教程中有Scrapy的安装指导,不过在Windows下安装当初确实遇到许多坑
使用方法大致是进入项目的workspace使用命令行创建一个Scrapy项目,这个项目中有Scrapy的配置、模块等
如:
-
cd E:Pythonworkspace -
E:\PythonWorkspace>scrapy startproject project_name
然后会创建project_name的目录
-
project_name/ -
scrapy.cfg -
project_name/ -
__init__.py -
items.py -
pipelines.py -
settings.py -
spiders/ -
__init__.py -
... -
这些文件分别是: -
-
scrapy.cfg: 项目的配置文件 -
project_name/: 该项目的python模块。之后您将在此加入代码。 -
project_name/items.py: 项目中的item文件. -
project_name/pipelines.py: 项目中的pipelines文件. -
project_name/settings.py: 项目的设置文件. -
project_name/spiders/: 放置spider代码的目录.
拷自文档。。
首先写一个Scrapy项目练手,可按照教程,但URL是被墙了的。
以下代码是获取去哪儿网首页Title
Spider爬虫文件:该爬虫name为test
-
import scrapy -
-
class test(scrapy.spiders.Spider): -
name = "test" -
# allowed_domains = ["qunar"] -
start_urls = ["https://www.qunar.com/"] -
-
def parse(self,response): -
title = str(response.xpath('/html/head/title')[0]) -
print(title)
不出意外的报错。。
坑1:
run该文件无效,什么都没执行。Scrapy项目不执行,但返回值为运行结束
Process finished with exit code 0
Scrapy项目需通过命令行执行,例如在该项目根目录执行 scrapy crawl spider_name
或者在Pycharm中看到init文件,在其中加上
-
from scrapy import cmdline -
cmdline.execute("scrapy crawl spider_name".split());
然后报错:
-
def write(self, data, async=False): -
-
^ -
-
SyntaxError: invalid syntax
按照网上说法,将该文件中所有async改为其他关键词如shark,报错消失,出现
-
import win32api -
ModuleNotFoundError: No module named 'win32api'
Windows系统上安装win32api模块即可,命令行执行,这里通过豆瓣源安装
-
C:\Users\yinyunqi>pip install -i https://pypi.douban.com/simple pypiwin32 -
Looking in indexes: https://pypi.douban.com/simple -
Collecting pypiwin32 -
Downloading https://pypi.doubanio.com/packages/d0/1b/2f292bbd742e369a100c91faa0483172cd91a1a422a6692055ac920946c5/pypiwin32-223-py3-none-any.whl -
Collecting pywin32>=223 (from pypiwin32) -
Downloading https://pypi.doubanio.com/packages/a3/8a/eada1e7990202cd27e58eca2a278c344fef190759bbdc8f8f0eb6abeca9c/pywin32-224-cp37-cp37m-win_amd64.whl (9.0MB) -
100% |████████████████████████████████| 9.1MB 260kB/s -
Installing collected packages: pywin32, pypiwin32 -
Successfully installed pypiwin32-223 pywin32-224
重新运行打印如下
-
E:\Python\Python37\python.exe E:/PythonWorkspace/NationalAna/NationalAna/__init__.py -
2018-09-29 14:07:49 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: NationalAna) -
2018-09-29 14:07:49 [scrapy.utils.log] INFO: Versions: lxml 4.2.4.0, libxml2 2.9.5, cssselect 1.0.3, parsel 1.5.0, w3lib 1.19.0, Twisted 18.7.0, Python 3.7.0b2 (v3.7.0b2:b0ef5c979b, Feb 28 2018, 02:24:20) [MSC v.1912 64 bit (AMD64)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0h 27 Mar 2018), cryptography 2.3, Platform Windows-10-10.0.17134-SP0 -
2018-09-29 14:07:49 [scrapy.crawler] INFO: Overridden settings: {'BOT_NAME': 'NationalAna', 'NEWSPIDER_MODULE': 'NationalAna.spiders', 'ROBOTSTXT_OBEY': True, 'SPIDER_MODULES': ['NationalAna.spiders']} -
2018-09-29 14:07:49 [scrapy.middleware] INFO: Enabled extensions: -
['scrapy.extensions.corestats.CoreStats', -
'scrapy.extensions.telnet.TelnetConsole', -
'scrapy.extensions.logstats.LogStats'] -
2018-09-29 14:07:50 [scrapy.middleware] INFO: Enabled downloader middlewares: -
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware', -
'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware', -
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware', -
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware', -
'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware', -
'scrapy.downloadermiddlewares.retry.RetryMiddleware', -
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware', -
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware', -
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware', -
'scrapy.downloadermiddlewares.cookies.CookiesMiddleware', -
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware', -
'scrapy.downloadermiddlewares.stats.DownloaderStats'] -
2018-09-29 14:07:50 [scrapy.middleware] INFO: Enabled spider middlewares: -
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware', -
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware', -
'scrapy.spidermiddlewares.referer.RefererMiddleware', -
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware', -
'scrapy.spidermiddlewares.depth.DepthMiddleware'] -
2018-09-29 14:07:50 [scrapy.middleware] INFO: Enabled item pipelines: -
[] -
2018-09-29 14:07:50 [scrapy.core.engine] INFO: Spider opened -
2018-09-29 14:07:50 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) -
2018-09-29 14:07:50 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023 -
2018-09-29 14:07:50 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.qunar.com/robots.txt> (referer: None) -
2018-09-29 14:07:50 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.qunar.com/> (referer: None) -
<Selector xpath='/html/head/title' data='<title>【去哪儿网】机票查询预订,酒店预订,旅游团购,度假搜索,门票预订-'> -
2018-09-29 14:07:50 [scrapy.core.engine] INFO: Closing spider (finished) -
2018-09-29 14:07:50 [scrapy.statscollectors] INFO: Dumping Scrapy stats: -
{'downloader/request_bytes': 498, -
'downloader/request_count': 2, -
'downloader/request_method_count/GET': 2, -
'downloader/response_bytes': 23167, -
'downloader/response_count': 2, -
'downloader/response_status_count/200': 2, -
'finish_reason': 'finished', -
'finish_time': datetime.datetime(2018, 9, 29, 6, 7, 50, 801314), -
'log_count/DEBUG': 3, -
'log_count/INFO': 7, -
'response_received_count': 2, -
'scheduler/dequeued': 1, -
'scheduler/dequeued/memory': 1, -
'scheduler/enqueued': 1, -
'scheduler/enqueued/memory': 1, -
'start_time': datetime.datetime(2018, 9, 29, 6, 7, 50, 318350)} -
2018-09-29 14:07:50 [scrapy.core.engine] INFO: Spider closed (finished) -
-
Process finished with exit code 0
嗯 这样说明Scrapy已经可以使用,下面就可以愉快的推进了任务了

栏目列表
最新更新
nodejs爬虫
Python正则表达式完全指南
爬取豆瓣Top250图书数据
shp 地图文件批量添加字段
爬虫小试牛刀(爬取学校通知公告)
【python基础】函数-初识函数
【python基础】函数-返回值
HTTP请求:requests模块基础使用必知必会
Python初学者友好丨详解参数传递类型
如何有效管理爬虫流量?
2个场景实例讲解GaussDB(DWS)基表统计信息估
常用的 SQL Server 关键字及其含义
动手分析SQL Server中的事务中使用的锁
openGauss内核分析:SQL by pass & 经典执行
一招教你如何高效批量导入与更新数据
天天写SQL,这些神奇的特性你知道吗?
openGauss内核分析:执行计划生成
[IM002]Navicat ODBC驱动器管理器 未发现数据
初入Sql Server 之 存储过程的简单使用
SQL Server -- 解决存储过程传入参数作为s
关于JS定时器的整理
JS中使用Promise.all控制所有的异步请求都完
js中字符串的方法
import-local执行流程与node模块路径解析流程
检测数据类型的四种方法
js中数组的方法,32种方法
前端操作方法
数据类型
window.localStorage.setItem 和 localStorage.setIte
如何完美解决前端数字计算精度丢失与数













