制作爬虫 （spiders/itcastSpider.py）

爬虫功能要分两步：

1. 爬数据

在当前目录下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：

scrapy genspider itcast "itcast.cn"

打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:

import scrapyclass ItcastSpider(scrapy.Spider):    name = "itcast"    allowed_domains = ["itcast.cn"]    start_urls = (        'http://www.itcast.cn/',    )    def parse(self, response):        pass

其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

负责解析返回的网页数据(response.body)，提取结构化数据(生成item)

生成需要下一页的URL请求。

将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response):    filename = "teacher.html"    open(filename, 'w').write(response.body)

然后运行一下看看，在mySpider目录下执行：

scrapy crawl itcast

是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用 scrapy genspider命令的唯一爬虫名。

运行之后，如果打印的日志出现 [scrapy] INFO: Spider closed (finished)，代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。

**注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码；

我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：**

import sysreload(sys)sys.setdefaultencoding("utf-8")

这三行代码是Python2.x里解决中文编码的万能钥匙，经过这么多年的吐槽后Python3学乖了，默认编码是Unicode了...(祝大家早日拥抱Python3)

2. 取数据

爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

<div class="li_txt">    <h3>  xxx  </h3>    <h4> xxxxx </h4>    <p> xxxxxxxx </p>

是不是一目了然？直接上XPath开始提取数据吧。

我们之前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来

from mySpider.items import ItcastItem

然后将我们得到的数据封装到一个 ItcastItem 对象中，可以保存每个老师的属性：

from mySpider.items import ItcastItemdef parse(self, response):    #open("teacher.html","wb").write(response.body).close()    # 存放老师信息的集合    items = []    for each in response.xpath("//div[@class='li_txt']"):        # 将我们得到的数据封装到一个 `ItcastItem` 对象        item = ItcastItem()        #extract()方法返回的都是unicode字符串        name = each.xpath("h3/text()").extract()        title = each.xpath("h4/text()").extract()        info = each.xpath("p/text()").extract()        #xpath返回的是包含一个元素的列表        item['name'] = name[0]        item['title'] = title[0]        item['info'] = info[0]        items.append(item)    # 直接返回最后数据    return items我们暂时先不处理管道，后面会详细介绍。保存数据

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：

json格式，默认为Unicode编码

scrapy crawl itcast -o teachers.json

json lines格式，默认为Unicode编码

scrapy crawl itcast -o teachers.jsonl

csv 逗号表达式，可用Excel打开

scrapy crawl itcast -o teachers.csv

xml格式

scrapy crawl itcast -o teachers.xml

思考

如果将代码改成下面形式，结果完全一样。

请思考 yield 在这里的作用：

from mySpider.items import ItcastItemdef parse(self, response):    #open("teacher.html","wb").write(response.body).close()    # 存放老师信息的集合    #items = []    for each in response.xpath("//div[@class='li_txt']"):        # 将我们得到的数据封装到一个 `ItcastItem` 对象        item = ItcastItem()        #extract()方法返回的都是unicode字符串        name = each.xpath("h3/text()").extract()        title = each.xpath("h4/text()").extract()        info = each.xpath("p/text()").extract()        #xpath返回的是包含一个元素的列表        item['name'] = name[0]        item['title'] = title[0]        item['info'] = info[0]        #items.append(item)        #将获取的数据交给pipelines        yield item    # 返回数据，不经过pipeline    #return items

爬虫是长期进行的任务，所以需要配合代理才能更好的获取数据，亿牛云加强版可以让我们爬虫程序长期稳定的进行数据采集。