Scrapy – 第一只蜘蛛

描述

Spider 是一个类，它定义了从中提取数据的初始 URL、如何跟踪分页链接以及如何提取和解析items.py 中定义的字段。Scrapy 提供了不同类型的蜘蛛，每一种都有特定的用途。

在 first_scrapy/spiders 目录下创建一个名为“first_spider.py”的文件，我们可以在那里告诉 Scrapy 如何找到我们正在寻找的确切数据。为此，您必须定义一些属性 –

• name – 它定义了蜘蛛的唯一名称。

• allowed_domains – 它包含蜘蛛抓取的基本 URL。

• start-urls – 蜘蛛开始爬行的 URL 列表。

• parse() – 它是一种提取和解析抓取数据的方法。

以下代码演示了蜘蛛代码的样子 –

import scrapy  

class firstSpider(scrapy.Spider): 
   name = "first" 
   allowed_domains = ["dmoz.org"] 
   
   start_urls = [ 
      "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/", 
      "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/" 
   ]  
   def parse(self, response): 
      filename = response.url.split("/")[-2] + '.html' 
      with open(filename, 'wb') as f: 
         f.write(response.body)