使用PyCharm编写Scrapy爬虫程序，爬取古诗词网站

使用PyCharm编写Scrapy爬虫程序，爬取古诗词网站

本次测试案例参考厦门大学数据库实验室
链接: https://dblab.xmu.edu.cn/blog/3937/
在PyCharm中新建一个名称为“scrapyProject”的工程，如下图所示，Python解释器就选择我们之前已经安装好的
本次测试环境为
Python3.7.6

在“scrapyProject”工程底部打开Terminal窗口（如下图所示），在命令提示符后面输入命令“pip install scrapy”，下载Scrapy框架所需文件。

下载完成后，继续在终端中输入命令“scrapy startproject poemScrapy”，创建Scrapy爬虫框架相关目录和文件。创建完成以后的具体目录结构如下图所示，这些目录和文件都是由Scrapy框架自动创建的，不需要手动创建。

在Scrapy爬虫程序目录结构中，各个目录和文件的作用如下：
（1）Spiders目录：该目录下包含爬虫文件，需编码实现爬虫过程；
（2）init.py：为Python模块初始化目录，可以什么都不写，但是必须要有；
（3）items.py：模型文件，存放了需要爬取的字段；
（4）middlewares.py：中间件（爬虫中间件、下载中间件），本案例中不用此文件；
（5）pipelines.py：管道文件，用于配置数据持久化，例如写入数据库；
（6）settings.py：爬虫配置文件；
（7）scrapy.cfg：项目基础设置文件，设置爬虫启用功能等。在本案例中不用此文件

编写代码文件items.py

在items.py中定义字段用于保存数据，items.py的具体代码内容如下：

import scrapy

class PoemscrapyItem(scrapy.Item):
    # 名句
    sentence = scrapy.Field()
    # 出处
    source = scrapy.Field()
    # 全文链接
    url = scrapy.Field()
    # 名句详细信息
    content = scrapy.Field()

编写爬虫软件

在Terminal窗口输入命令“cd poemScrapy”，进入对应的爬虫工程中，再输入命令“scrapy genspider poemSpider gushiwen.cn”，这时，在spiders目录下会出现一个新的Python文件poemSpider.py，该文件就是我们要编写爬虫程序的位置。

import scrapy
from scrapy import Request
from ..items import PoemscrapyItem


class PoemspiderSpider(scrapy.Spider):
    name = 'poemSpider'  # 用于区别不同的爬虫
    allowed_domains = ['gushiwen.cn']  # 允许访问的域
    start_urls = ['http://so.gushiwen.cn/mingjus/']  # 爬取的地址

    def parse(self, response):
        # 先获每句名句的div
        for box in response.xpath('//*[@id="html"]/body/div[2]/div[1]/div[2]/div'):
            # 获取每句名句的链接
            url = 'https://so.gushiwen.cn' + box.xpath('.//@href').get()
            # 获取每句名句内容
            sentence = box.xpath('.//a[1]/text()').get()
            # 获取每句名句出处
            source = box.xpath('.//a[2]/text()').get()
            # 实例化容器
            item = PoemscrapyItem()
            # 将收集到的信息封装起来
            item['url'] = url
            item['sentence'] = sentence
            item['source'] = source
            # 处理子页
            yield scrapy.Request(url=url, meta={'item': item}, callback=self.parse_detail)
        # 翻页
        next = response.xpath('//a[@class="amore"]/@href').get()
        if next is not None:
            next_url = 'https://so.gushiwen.cn' + next
            # 处理下一页内容
            yield Request(next_url)

    def parse_detail(self, response):
        # 获取名句的详细信息
        item = response.meta['item']
        content_list = response.xpath('//div[@class="contson"]//text()').getall()
        content = "".join(content_list).strip().replace('\n', '').replace('\u3000', '')
        item['content'] = content
        yield item

编写代码文件pipelines.py

当我们成功获取需要的信息后，要对信息进行存储。在Scrapy爬虫框架中，当item被爬虫收集完后，将会被传递到pipelines。现在要将爬取到的数据保存到文本文件中，可以使用的pipelines.py代码：

import json

class PoemscrapyPipeline:
    def __init__(self):
        # 打开文件
        self.file = open('data.txt', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        # 读取item中的数据
        line = json.dumps(dict(item), ensure_ascii=False) + '\n'
        # 写入文件
        self.file.write(line)
        return item

编写代码文件settings.py

settings.py的具体代码如下：

BOT_NAME = 'poemScrapy'

SPIDER_MODULES = ['poemScrapy.spiders']
NEWSPIDER_MODULE = 'poemScrapy.spiders'

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4421.5 Safari/537.36'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# 设置日志打印的等级
LOG_LEVEL = 'WARNING'

ITEM_PIPELINES = {
    'poemScrapy.pipelines.PoemscrapyPipeline': 1,
}

运行程序

有两种执行Scrapy爬虫的方法，第一种是在Terminal窗口中输入命令“scrapy crawl poemSpider”，然后回车运行，等待几秒钟后即可完成数据的爬取。第二种是在poemScrapy目录下新建Python文件run.py（run.py应与scrapy.cfg文件在同一层目录下），并输入下面代码：
此处使用run.py的方式

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

之后执行代码就可以看到data.txt爬取文本数据
同级目录下生成的data.txt文件

爬取数据展示