爬爬爬！使用scrapy爬取你懂得的网站自建数据库！-八戒网

爬爬爬！使用scrapy爬取你懂得的网站自建数据库！1、检查我们的scrapy版本。截至2020年11月29日，scrapy的版本为2.4.0，方法是在cmd命令行中scrapyversion如果你也与我一样，使用这个版本，那么可以确定，你可以复现我的这篇教程。2、创建项目。在cmd中scrapystartprojecttext这里我使用了text这个名字，如果你喜欢别的，也可以改成别的任何名字。如果你是新手，那么建议你还是像我一样照做，不然会在后面的代码里混淆掉。2.1创建一只爬虫。正如你在命令行中看到的提示那样，一般我们_爬爬爬爬爬爬免费网站

1、检查我们的scrapy版本。截至2020年11月29日，scrapy的版本为2.4.0，方法是在cmd命令行中 scrapy version

如果你也与我一样，使用这个版本，那么可以确定，你可以复现我的这篇教程。

2、创建项目。在cmd中scrapy startproject text

这里我使用了text这个名字，如果你喜欢别的，也可以改成别的任何名字。如果你是新手，那么建议你还是像我一样照做，不然会在后面的代码里混淆掉。

2.1 创建一只爬虫。正如你在命令行中看到的提示那样，一般我们在创建完一个项目之后，马上就创建一只蜘蛛。

这时，我们已经完成了一只蜘蛛的创建，我们可以检查一下。使用pycharm打开这个项目，我们发现确实已经有一个example.py，这就是我们创建的蜘蛛的模块了。

这时，我们的准备工作算是完成了。

3、正式开始

3.1 定义我们需要的内容items.py

import scrapyfrom scrapy.item import Item,Fieldclass TextItem(scrapy.Item):    # define the fields for your item here like:    # name = scrapy.Field()    title = Field()  # 标题    number = Field()  # 番号    issuedate = Field()  # 发行时间    actress = Field()  # 演员    type = Field()  # 类型    magent = Field()  # 磁力链接    size = Field()  # 大小    image_urls = scrapy.Field()  # 存储图片下载地址，必须是list列表形式,是下一步下载图片时图片的网页地址    image = scrapy.Field()  # 存储图片下载地址及下载后的存储位置(相对路径)    imagepath = scrapy.Field()  # 图片本地存储的位置    torrent_urls = scrapy.Field()    torrent = scrapy.Field()    torrent_magnet = scrapy.Field()    pass

希望我今天分享的这篇文章可以帮到您。

3.2 编写蜘蛛。example.py

import scrapyfrom text.items import TextItem  # 此处如果报错是pyCharm的原因from scrapy.http import Requestclass ExampleSpider(scrapy.Spider):    name = 'example'    allowed_domains = ['bbs.xxxxxxxx.site']#抱歉这里是某网站的域名    start_urls = [        'https://xxxxxxxxxx',#抱歉这里是某网站的地址：）    ]    def parse(self, response):        book_urls = response.xpath('//td/a[@]/@href').extract()        for book_url in book_urls:            book_url ="https://bbs.ojxqsc.site/2048/" + book_url            yield Request(book_url, callback=self.parse_read)    def parse_read(self, response):        title = str(response.xpath('//td[@]/text()').extract_first()).replace("\n主题 : 【新片原档首发】 ","")        title = title.replace("\n","")        title = title.replace("主题 : ","")        title = title.replace("/", "")        if (str(response.xpath('//p[@]/text()').extract()).find('品番： ') >= 0):            number = str(response.xpath('//p[@]/text()').extract()).split('品番： ')[1].split("'")[0]        else:            number = 'null'        if (str(response.xpath('//p[@]/text()').extract()).find('影片容量：') >= 0):            size =str(response.xpath('//p[@]/text()').extract()).split('影片容量：')[1].split("'")[0]        else:            size ='null'        if (str(response.xpath('//p[@]/text()').extract()).find('発売日： ') >= 0):            issuedate=str(response.xpath('//p[@]/text()').extract()).split('発売日： ')[1].split("'")[0]        else:            issuedate='null'        if (str(response.xpath('//p[@]/text()').extract()).find('出演者： ')>=0):            actress=str(response.xpath('//p[@]/text()').extract()).split('出演者： ')[1].split("'")[0]        else:            actress = 'null'        if(str(response.xpath('//*[@]/img/@src').extract_first())!="None"):            print("筛选图片地址："+str(response.xpath('//*[@]/img/@src').extract_first()))            image = response.xpath('//*[@]/img/@src').extract_first()        else:            image = response.xpath('//*[@]/a[1]/img/@src').extract_first()  # 图片地址        torrent_urls = response.xpath('//*[@]/a/@href').extract()        for torrent_url in torrent_urls:            print("所有的网址是："+str(torrent_url))            if("download" in str(torrent_url)):                print("现在的网址是：" +str(torrent_url))                yield Request(torrent_url, meta = {'image_urls':[image],'title':title,'number':number,'size':size,'issuedate':issuedate,'actress':actress},callback=self.parse_magnet, dont_filter=True)            else:                print("oh no!")    def parse_magnet(self, response):        torrent_magnet = response.xpath('//*[@]/@href').extract_first()  # 图片地址        print("现在的种子的内容是:" + str(torrent_magnet))        item = TextItem()        item['image_urls'] = response.meta['image_urls']        item['title'] = response.meta['title']        item['number']=response.meta['number']        item['size'] = response.meta['size']        item['issuedate'] = response.meta['issuedate']        item['actress'] = response.meta['actress']        print("图片地址：" + str(item['image_urls']))        print("文件路径：" + str(item['title']))        imagepath = str(response.meta['title'])        item['imagepath'] = "G:\GOO\\"+ imagepath+".jpg"        item['torrent_magnet'] = str(torrent_magnet)        yield item

3.3 编写管道 pipelines.py

from scrapy.pipelines.images import ImagesPipelinefrom scrapy.http import Requestimport pymysql.cursorsclass TextPipeline(ImagesPipeline):    def get_media_requests(self, item, info):        for image_url in item['image_urls']:            yield Request(image_url, meta={'mid_item': item['title']})    def file_path(self, request, response=None, info=None):        title = request.meta['mid_item']+".jpg"        print("现在的标题是："+title)        return titleclass MySQLPipeline(object):    def __init__(self):        # 连接数据库        self.connect = pymysql.connect(            host='127.0.0.1',  # 数据库地址            port=3306,  # 数据库端口            db='liab',  # 数据库名            user='root',  # 数据库用户名            passwd='123456',  # 数据库密码            charset='utf8',  # 编码方式            use_unicode=True)        # 通过cursor执行增删查改        self.cursor = self.connect.cursor()    def process_item(self, item, spider):        self.cursor.execute(            """insert into code(title,number,size,issuedate,actress,imageurl,torrentmagnet)            value (%s,%s,%s,%s,%s,%s,%s)""",  # 纯属python操作mysql知识，不熟悉请恶补            (item['title'],             item['number'],             item['size'],             item['issuedate'],             item['actress'],             item['imagepath'],# item里面定义的字段和表字段对应             item['torrent_magnet'],  # item里面定义的字段和表字段对应            ))        # 提交sql语句        self.connect.commit()        return item  # 必须实现返回

3.4 编写设置 setting.py

BOT_NAME = 'text'SPIDER_MODULES = ['text.spiders']NEWSPIDER_MODULE = 'text.spiders'HTTPERROR_ALLOWED_CODES = [403]HTTPERROR_ALLOWED_CODES = [404]ROBOTSTXT_OBEY = TrueITEM_PIPELINES = {   'text.pipelines.TextPipeline': 1,   'text.pipelines.MySQLPipeline': 300,}

到这里，我们的项目就结束了。简单说一下它的功能。第一是将封面下载到本地。第二是将其他字段保存在本地的数据库中，封面图片在数据库中的保持方式为图片的地址，而不是图片的数据流。

4、让我们测试一下！

4.1 项目的启动。我们可以在pycharm中的terminal窗口键入scrapy crawl example

也可以在cmd窗口中使用相同的方法启动。

4.2 你可以在你的保存目录中找到这些图片。并且，你也可以在数据库中找到这些数据。

如果有什么地方不懂，欢迎留言或私信！