Python爬虫入门【17】：高考派大学数据抓取 scrapy

1.高考派大学数据----写在前面

写到终于了scrapy爬虫框架了，这个框架可以说是蟒爬虫框架里面出镜率最高的一个了，我们接下来重点研究一下它的使用规则。

安装过程自己百度一下，就能找到3种以上的安装手法，一个哪都可以安装上
可以参考https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/install.html官方说明进行安装。

2.高考派大学数据----创建scrapy项目

通用使用下面的命令，创建即可

scrapy startproject mySpider

完成之后，你的项目的目录结构为

每个文件对应的意思为

• scrapy.cfg项目的配置文件
• mySpider /根目录
• mySpider / items.py项目的目标文件，规范数据格式，用来定义解析对象对应的属性或字段。
• mySpider / pipelines.py项目的管道文件，负责处理被蜘蛛提取出来的项目。典型的处理有清理，验证及持久化（例如存取到数据库）
• mySpider / settings.py项目的设置文件
• mySpider / spiders /爬虫主目录
• middlewares.py Spider中间件是在引擎及Spider之间的特定钩子（具体钩子），处理蜘蛛的输入（响应）和输出（items及requests）。其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。本篇文章没有涉及

高考派大学数据----创建Scrapy爬虫

通过命令行进入到mySpider / spiders /目录，然后执行如下命令

scrapy genspider 高考 “ www.gaokaopai.com ”

打开mySpider / spiders /目录里面的高考，默认增加了下列代码

import scrapy

class GaoKaoSpider(scrapy.Spider):
    name = "GaoKao"
    allowed_domains = ["www.gaokaopai.com"]
    start_urls = ['http://www.gaokaopai.com/']

    def parse(self, response):
        pass

默认生成的代码，一个所有游戏GaoKaoSpider的类，这个并且类的英文用scrapy.Spider继承来的
而且默认实现了三个属性状语从句：一个方法

name =“”这个是爬虫的名字，必须唯一，在不同的爬虫需要定义不同的名字
allowed_domains = []域名范围，限制爬虫爬取当前域名下的网页
start_urls = []爬取的URL元组/列表。爬虫从这里开始爬取数据，第一次爬取的页面就是从这里开始，其他的URL将会从这些起始的URL爬取的结果中生成
解析（self，response）解析网页的方法， -个初始网址完成下载后将调用，调用的时候传入每一个初始URL返回的响应对象作为唯一参数，主要作用1、负责解析返回的网页数据，response.body 2、生成下一页的URL请求

高考派大学数据----第一个案例

要我们爬取的的英文高考派大学数据数据为http://www.gaokaopai.com/rank-index.html

页面下部有一个加载更多，点击抓取链接

尴尬的事情发生了，竟然是一个POST请求，本打算实现一个GET的，这回代码量有点大了〜

scrapy模式是GET请求的，如果我们需要修改成POST，那么需要重写Spider类的start_requests（self）方法，并且不再调用start_urls里面的url了，所以，咱对代码进行一些修改。重写代码之后，注意下面这段代码

request = FormRequest(self.start_url,headers=self.headers,formdata=form_data,callback=self.parse)

FormRequest需要引入模块from scrapy import FormRequest
self.start_url写上帖请求的地址即可formdata
用来提交表单数据
callback调用网页解析参数
最后的yield请求表示这个函数是一个生成器

import scrapy
from scrapy import FormRequest
import json

from items import MyspiderItem
class GaokaoSpider(scrapy.Spider):
    name = 'GaoKao'
    allowed_domains = ['gaokaopai.com']
    start_url = 'http://www.gaokaopai.com/rank-index.html'

    def __init__(self):
        self.headers = {
            "User-Agent":"自己找个UA",
            "X-Requested-With":"XMLHttpRequest"
        }

    # 需要重写start_requests() 方法
    def start_requests(self):
        for page in range(0,7):
            form_data = {
                "otype": "4",
                "city":"",
                "start":str(25*page),
                "amount": "25"
            }

            request = FormRequest(self.start_url,headers=self.headers,formdata=form_data,callback=self.parse)
            yield request

    def parse(self, response):
        print(response.body)
        print(response.url)
        print(response.body_as_unicode())
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

在我们def parse(self, response):函数里面，输出一下网页内容，这个地方，需要用到1个知识点是

获取网页内容 response.body response.body_as_unicode()

• response.url获取抓取的RUL
• response.body获取网页内容字节类型
• response.body_as_unicode（）获取网站内容字符串类型

我们接下来就可以运行一下爬虫程序了

项目在根目录创建³³一个begin.py文件，里面写入如下代码

from scrapy import cmdline
cmdline.execute(("scrapy crawl GaoKao").split())

运行该文件，记住在scrapy中的其他py文件中，运行是不会显示相应的结果的，每次测试的时候，都需要运行begin.py当然，你可起一个其他的名字。

如果你不这么干的，那么你只能采用下面的操作，就是比较麻烦。

cd到爬虫目录里执行scrapy crawl GaoKao--nolog命令
说明：scrapy crawl GaoKao(GaoKao表示爬虫名称) --nolog(--nolog表示不显示日志)

运行起来，就在控制台打印数据了，测试方便，可以把上述代码中那个数字7，修改成2，有心人能看到我这个小文字

pycharm在运行过程中，会在控制台打印很多红色的字，没事，那不是BUG

一定要在红色的字中间找到黑色的字，黑色的字才是你打印出来的数据，如下，得到这样的内容，就成功一大半了。

但是这个地方有个小坑，就是，你会发现返回的数据不一致，这个我测试了一下，是因为第一页的数据返回的不是JSON格式的，而是普通的网页，那么我们需要针对性处理一下，这个先不用管，把我们items.py进行完善

import scrapy
class MyspiderItem(scrapy.Item):
    # 学校名称
    uni_name = scrapy.Field()
    uni_id = scrapy.Field()
    city_code = scrapy.Field()
    uni_type = scrapy.Field()
    slogo = scrapy.Field()
    # 录取难度
    safehard = scrapy.Field()
    # 院校所在地
    rank = scrapy.Field()

然后在刚才的GaokaoSpider类中，继续完善解析函数，判断通过response.headers["Content-Type"]去确定本。页面的英文HTML格式，还是JSON格式。

        if(content_type.find("text/html")>0):
            # print(response.body_as_unicode())
            trs = response.xpath("//table[@id='results']//tr")[1:]
            for item in trs:
                school = MyspiderItem()
                rank = item.xpath("td[1]/span/text()").extract()[0]
                uni_name = item.xpath("td[2]/a/text()").extract()[0]
                safehard  = item.xpath("td[3]/text()").extract()[0]
                city_code = item.xpath("td[4]/text()").extract()[0]
                uni_type = item.xpath("td[6]/text()").extract()[0]

                school["uni_name"] = uni_name
                school["uni_id"] = ""
                school["city_code"] = city_code
                school["uni_type"] = uni_type
                school["slogo"] = ""
                school["rank"] = rank
                school["safehard"] = safehard
                yield school

        else:
            data = json.loads(response.body_as_unicode())
            data = data["data"]["ranks"] # 获取数据

            for item in data:
                school = MyspiderItem()
                school["uni_name"] = item["uni_name"]
                school["uni_id"] = item["uni_id"]
                school["city_code"] = item["city_code"]
                school["uni_type"] = item["uni_type"]
                school["slogo"] = item["slogo"]
                school["rank"] = item["rank"]
                school["safehard"] = item["safehard"]
                # 将获取的数据交给pipelines，pipelines在settings.py中定义
                yield school

parse（）方法的执行机制

1. 使用产量返回数据，不要使用收益。这样子的解析就会被当做一个生成器.scarpy将解析生成的数据，逐一返回
2. 如果返回值是请求则加入爬取队列，如果是项目类型，则交给管道出来，其他类型报错

到这里，如果想要数据准备的进入到管道中，你需要在setting.py中将配置开启

    # See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
    ITEM_PIPELINES = {
       'mySpider.pipelines.MyspiderPipeline': 300,
    }

关系编写同时pipeline.py文件

import os
import csv

class MyspiderPipeline(object):

    def __init__(self):
        # csv 文件
        store_file = os.path.dirname(__file__)+"/spiders/school1.csv"
        self.file = open(store_file,"a+",newline='',encoding="utf-8")
        self.writer = csv.writer(self.file)

    def process_item(self, item, spider):
        try:

            self.writer.writerow((
                item["uni_name"],
                item["uni_id"],
                item["city_code"],
                item["uni_type"],
                item["slogo"],
                item["rank"],
                item["safehard"]
            ))

        except Exception as e:
            print(e.args)

    def close_spider(self,spider):
        self.file.close()
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

好了，代码全部编写完毕，还是比较简单的吧，把上面的数字在修改成图7，为啥是7，因为只能获取到前面150条数据