深度使用Scrapy：如何爬取HTML、XML、JSON数据？-Python教程-PHP中文网

深度使用Scrapy：如何爬取HTML、XML、JSON数据？

WBOY

发布： 2023-06-22 17:58:40

原创

2706人浏览过

scrapy是一款强大的python爬虫框架，可以帮助我们快速、灵活地获取互联网上的数据。在实际爬取过程中，我们会经常遇到html、xml、json等各种数据格式。在这篇文章中，我们将介绍如何使用scrapy分别爬取这三种数据格式的方法。

一、爬取HTML数据

创建Scrapy项目

首先，我们需要创建一个Scrapy项目。打开命令行，输入以下命令：

scrapy startproject myproject

登录后复制

这个命令将会在当前文件夹下创建一个叫做myproject的Scrapy项目。

设置起始URL

接下来，我们需要设置起始的URL。在myproject/spiders目录下，创建一个名为spider.py的文件，编辑文件，输入以下代码：

立即学习“前端免费学习笔记（深入）”；

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://example.com']

    def parse(self, response):
        pass

登录后复制

代码首先导入了Scrapy库，然后定义了一个爬虫类MySpider，设置了一个名为myspider的spider名称，并设置了一个起始URL为http://example.com。最后定义了一个parse方法。parse方法默认会被Scrapy调用，用来处理响应数据。

解析响应数据

接下来，我们需要解析响应数据。继续编辑myproject/spiders/spider.py文件，加入以下代码：

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://example.com']

    def parse(self, response):
        title = response.xpath('//title/text()').get()
        yield {'title': title}

登录后复制

代码中，我们使用response.xpath()方法来获取HTML页面中的标题。使用yield来返回字典类型数据，包含了我们获取到的标题。

运行爬虫

最后，我们需要运行Scrapy爬虫。在命令行中输入以下命令：

scrapy crawl myspider -o output.json

登录后复制

这个命令会将数据输出到output.json文件中。

二、爬取XML数据

创建Scrapy项目

同样地，我们首先需要创建一个Scrapy项目。打开命令行，输入以下命令：

scrapy startproject myproject

登录后复制

这个命令将会在当前文件夹下创建一个叫做myproject的Scrapy项目。

设置起始URL

在myproject/spiders目录下，创建一个名为spider.py的文件，编辑文件，输入以下代码：

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://example.com/xml']

    def parse(self, response):
        pass

登录后复制

代码中，我们设置了一个名为myspider的spider名称，并设置了一个起始URL为http://example.com/xml。

解析响应数据

继续编辑myproject/spiders/spider.py文件，加入以下代码：

豆绘AI

豆绘AI是国内领先的AI绘图与设计平台，支持照片、设计、绘画的一键生成。

485

查看详情

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://example.com/xml']

    def parse(self, response):
        for item in response.xpath('//item'):
            yield {
                'title': item.xpath('title/text()').get(),
                'link': item.xpath('link/text()').get(),
                'desc': item.xpath('desc/text()').get(),
            }

登录后复制

代码中，我们使用response.xpath()方法来获取XML页面中的数据。使用for循环遍历item标签，获取title、link、desc三个标签内的文本数据，使用yield来返回字典类型的数据。

运行爬虫

最后，我们同样需要运行Scrapy爬虫。在命令行中输入以下命令：

scrapy crawl myspider -o output.json

登录后复制

这个命令会将数据输出到output.json文件中。

三、爬取JSON数据

创建Scrapy项目

同样地，我们需要创建一个Scrapy项目。打开命令行，输入以下命令：

scrapy startproject myproject

登录后复制

这个命令将会在当前文件夹下创建一个叫做myproject的Scrapy项目。

设置起始URL

在myproject/spiders目录下，创建一个名为spider.py的文件，编辑文件，输入以下代码：

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://example.com/json']

    def parse(self, response):
        pass

登录后复制

代码中，我们设置了一个名为myspider的spider名称，并设置了一个起始URL为http://example.com/json。

解析响应数据

继续编辑myproject/spiders/spider.py文件，加入以下代码：

import scrapy
import json

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://example.com/json']

    def parse(self, response):
        data = json.loads(response.body)
        for item in data['items']:
            yield {
                'title': item['title'],
                'link': item['link'],
                'desc': item['desc'],
            }

登录后复制

代码中，我们使用json.loads()方法来解析JSON格式的数据。使用for循环遍历items数组，获取每个item的title、link、desc三个属性，使用yield来返回字典类型的数据。