scrapy框架全站数据爬取

前言

每个网站都有很多页码，将网站中某板块下的全部页码对应的页面数据进行爬取

实现方式有两种:

1、将所有页面的url添加到start_urls列表（不推荐）

2、自行手动进行请求发送（推荐）yield scrapy.Request(url,callback):callback专门用做于数据解析

下面我们介绍第二种方法

数据解析处理

import scrapy
from scrapyPro.items import ScrapyproItem

class SpidernameSpider(scrapy.Spider):
    #爬虫文件名称：爬虫原文件唯一标识
    name = 'first'
    #允许的域名：用来限定start_urls列表中哪些url可以进行请求发送
    # allowed_domains = ['https://www.taiwu.com/ershoufang/']
    #起始的url列表：该列表中存放的url会被scrapy自动进行请求的发送
    start_urls = ['https://www.taiwu.com/ershoufang/']
    #生成一个通用的url模板
    url = 'https://www.taiwu.com/ershoufang/pg%d'
    page_num = 2

    # 用作于数据解析：response参数表示的就是请求成功后对应的响应对象
    def parse(self, response):
        li_list = response.xpath('//div[@class="er-list"]/div')
        for li in li_list:
            # 局部解析
            # extract可以将Selector对象中data参数存储的字符串提取出来
            # title = li.xpath('./div/div[2]/div/a/text()')[0].extract()
            title = li.xpath('./div/div[2]/div/a/text()').extract_first()
            price = li.xpath('./div/div[4]/div[2]/span[2]/text()').extract_first()

            item = ScrapyproItem()
            item['title'] = title
            item['price'] = price

            yield item  # 将item提交给管道

        if self.page_num <= 11:
            new_url = format(self.url % self.page_num)
            self.page_num += 1

            # 手动请求发送:callback回调函数是专门用作于数据解析
            yield scrapy.Request(url=new_url, callback=self.parse)