为了向您展示Scrapy带来了什么,我们将使用最简单的运行爬虫的方法向您介绍Scrapy Spider的示例。 将下面代码放在文本文件中,将其命名为quotes_spider.py之类的名称,然后使用runspider命令运行程序:scrapy runspider quotes_spider.py -o quotes.json
import scrapy
class QuotesSpider(scrapy.Spider):
name = 'quotes'
start_urls = [
'http://quotes.toscrape.com/tag/humor/',
]
def parse(self, response):
for quote in response.css('div.quote'):
yield {
'author': quote.xpath('span/small/text()').get(),
'text': quote.css('span.text::text').get(),
}
next_page = response.css('li.next a::attr("href")').get()
if next_page is not None:
yield response.follow(next_page, self.parse)
完成此操作后,您将在quotes.json文件中具有JSON格式的引号列表,其中包含文本和作者,如下所示(此处重新格式化以提高可读性):
[{
"author": "Jane Austen",
"text": "\u201cThe person, be it gentleman or lady, who has not pleasure in a good novel, must be intolerably stupid.\u201d"
},
{
"author": "Groucho Marx",
"text": "\u201cOutside of a dog, a book is man's best friend. Inside of a dog it's too dark to read.\u201d"
},
{
"author": "Steve Martin",
"text": "\u201cA day without sunshine is like, you know, night.\u201d"
},
...]
查看start_urls:quotes.toscrape.com/tag/humor/的…
在head标签中,引入了两个css文件,一个是bootstrap,还有一个是自定义的css样式。在body中一个作为container的div和一个footer。 在整个作为container的div中有两个div和一个h3标签。第一个div作为一个header box。从源码可以看出包含Quotes to Scrape的div和包含Login的div,使用了col-md-x的class样式。 上面的页面就是下面HTML所展示的,左侧的是指定class是col-md-8的这个div,右侧的是指定class是col-md-4的这个div。 这里左侧的每个条目对应于右侧中指定class为quote的div. 详细看第一条条目的div的HTML源码,由两个span和一个div组成。第二个span中包含了指定了author的class,内容是作者信息。最后一个div中指定了class为tag的链接。 看代码中的xpath和css中的'span/small/text()'和'span.text::text',可以看到起指定的是span标签下的small标签所包含的作者信息,另一个指定的是有text的class修饰的span中包含的文本内容。 'author': quote.xpath('span/small/text()').get(),
'text': quote.css('span.text::text').get(),
下面的HTML显示了Top Ten Tags的结构: