Python爬虫程序设计KC43.pptx

1、4.3.1 建立建立Web网站网站4.3.1 建立建立Web网站网站这个网站有一个网页，返回基本计算机教材，flask程序如下：import flaskapp=flask.Flask(_name_)app.route(/)def index():html=Python程序设计 James 清华大学出版社 Java程序设计 Robert 人民邮电出版社 MySQL数据库 Steven 高等教育出版社 return html if _name_=_main_:app.run()4.3.2 编写数据项目类编写数据项目类4.3.2 编写数据项目类编写数据项目类程序要爬取的数据是多本教材，每本教材有名称

2、与作者，因此要建立一个教材的类，类中包含教材名称title、作者author与出版社publisher。在我们的scrapy框架中有的c:exampledemodemo目录下有一个文件items.py就是用来设计数据项目类的，打开这个文件，改造文件成如下形式：import scrapyclass BookItem(scrapy.Item):#define the fields for your item here like:title=scrapy.Field()author=scrapy.Field()publisher=scrapy.Field()其中BookItem是我们设计的教材项目类

3、，这个类必须从scrapy.Item类继承，在类中定义教材的字段项目，每个字段项目都是一个scrapy.Field对象，这里定义了3个字段项目，用来存储教材名称title、作者author、出版社publisher。如果item是一个BooItem的对象，那么可以通过itemtitle、itemauthor、itempublisher来获取与设置各个字段的值，例如：item=BookItem()itemtitle=Python程序设计itemauthor=Jamesitempublisher=清华大学出版社print(itemtitle)print(itemauthor)print(itemp

4、ublisher)4.3.3 编写爬虫程序编写爬虫程序mySpider4.3.3 编写爬虫程序编写爬虫程序mySpider数据的项目设计好后就可以编写爬虫程序如下：import scrapyfrom demo.items import BookItem class MySpider(scrapy.Spider):name=mySpider start_urls=http:/127.0.0.1:5000 def parse(self,response):try:data=response.body.decode()selector=scrapy.Selector(text=data)books=

5、selector.xpath(/book)for book in books:item=BookItem()itemtitle=book.xpath(./title/text().extract_first()itemauthor=book.xpath(./author/text().extract_first()itempublisher=book.xpath(./publisher/text().extract_first()yield item except Exception as err:print(err)这个程序访问http:/127.0.0.1:5000的网站，得到的网页包含教

6、材信息，程序过程如下：(1)from demo.items import BookItem从demo文件夹的items.py文件中引入BookItem类的定义。(2)data=response.body.decode()selector=scrapy.Selector(text=data)books=selector.xpath(/book)得到网站数据并建立Selector对象，搜索到所有的节点的元素。(3)for book in books:item=BookItem()itemtitle=book.xpath(./title/text().extract_first()itemautho

7、r=book.xpath(./author/text().extract_first()itempublisher=book.xpath(./publisher/text().extract_first()yield item对于每个节点，在它下面搜索到节点，取出它的文本即教材名称，其中注意使用book.xpath(./title/text()搜索到下面的节点的文本，一定不能缺少./的部分，它表示从当前节点往下搜索。同样道理搜索、节点的文本，它们组成一个BookItem对象，这个对象通过语句：yield item向上一级调用函数返回，接下来scrapy会把这个对象推送给与items.py同目录

8、下的pipelines.py文件中的数据管道执行类取处理数据。4.3.4 编写数据管道处理类编写数据管道处理类4.3.4 编写数据管道处理类编写数据管道处理类在我们的scrapy框架中有的c:exampledemodemo目录下有一个文件pipelines.py就是用来数据管道处理类文件，打开这个文件可以看到一个默认的管道类，修改并设计数据管道类如下：class BookPipeline(object):count=0 def process_item(self,item,spider):BookPipeline.count+=1 try:if BookPipeline.count=1:fob

9、j=open(books.txt,wt)else:fobj=open(books.txt,at)print(itemtitle,itemauthor,itempublisher)fobj.write(itemtitle+,+itemauthor+,+itempublisher+n)fobj.close()except Exception as err:print(err)return item这个类我们命名为BookPipeline，它继承自object类，类中最重要的函数是process_item函数，scrapy爬取数据开始时会建立一个BookPipeline类对象，然后每爬取一个数据类B

10、ookItem项目item，mySpider程序会把这个对象推送给BookPipeline对象，同时调用process_item函数一次。process_item函数的参数中的item就是推送来的数据，于是我们就可以在这个函数中保存爬取的数据了。注意scrapy要求process_item函数最后返回这个item对象。在我们这个程序中采用文件存储爬取的数据，BookPipeline类中先定义一个类成员count=0，用它来记录process_item调用的次数。如果是第一次调用(count=1)那么就使用语句fobj=open(books.txt,wt)新建立一个books.txt的文件，然后

11、把item的数据写到文件中。如果不是第一次调用(count1)，就使用语句fobj=open(books.txt,at)打开已经存在的文件books.txt，把item的数据追加到文件中。这样我们反复执行爬虫程序的过程保证每次清除掉上次的数据，记录本次爬取的数据。4.3.5 设置设置scrapy的配置文件的配置文件我们说mySpider爬虫程序执行后每爬取一个item项目都会推送到BookPipelines类并调用的process_item函数，那么scrapy怎么样知道要这样做呢？前提是我们必须设置这样一个通道。在demo文件夹中有一个settings.py的设置文件，打开这个文件可以看到很

12、多设置项目，大部分是用#注释的语句，找到语句ITEM_PIPLINES的项目，把它设置成如下形式：#Configure item pipelines#See http:/scrapy.readthedocs.org/en/latest/topics/item-pipeline.html ITEM_PIPELINES=demo.pipelines.BookPipeline:300,其中ITEM_PIPLINES是一个字典，把关键字改成demo.pipelines.BookPipeline，而BookPipelines就是我们在pipelines.py文件中设计的数据管道类的名称，后面的300是一

13、个默认的整数，实际上它可以不是300，它可以是任何整数。这样设置后就连通了爬虫程序mySpider数据管道处理程序pipelines.py的通道，scrapy工作时会把mySpider爬虫程序通过yield返回的每项数据推送给pipelines.py程序的BoolPipeline类，并执行process_item函数，这样就可以保存数据了。总结：scrapy把数据爬取与数据存储分开处理，它们都是异步执行的，mySpider每爬取到一个数据项目item，就yield推送给pipelines.py程序存储，等待存储完毕后又再次爬取另外一个数据项目item，再次yield推送到pipelines.py程序，然后再次存储，.，这个过程一直进行下去，直到爬取过程结束，文件books.txt中就存储了所有的爬取数据了。