**1. 安裝scrapy**
```shell
D:\>pip install Scrapy
```
<br/>
**2. 到你的工作空間創建爬蟲項目**
```python
D:\>cd PycharmWorkspace
# mySpider為項目名稱
# 將會創建D:\PycharmWorkspace\mySpider 目錄
D:\PycharmWorkspace>scrapy startproject mySpider
```
<br/>
**3. 創建爬蟲**
```shell
# 1. 切換到項目目錄下
D:\PycharmWorkspace>cd mySpider
# 2. 創建爬蟲
# books 爬蟲名稱
# book.jd.com 為url,不需要寫http,或者https協議
D:\PycharmWorkspace\mySpider>scrapy genspider books book.jd.com
```
當到這一步,scrapy會自動創建如下項目結構:
```xml
mySpider
|mySpider
|
spiders|
__init__.py
books.py
__init__.py
items.py
middlewares.py
pipelines.py
settings.py
scrapy.cfg
```
<br/>
**4. 在`books.py`文件發起請求**
```python
"""
@Date 2021/4/7
"""
import scrapy
class BooksSpider(scrapy.Spider):
name = 'books' # 爬蟲名稱
allowed_domains = ['book.jd.com'] # 爬取范圍
start_urls = ['http://book.jd.com/'] # 爬蟲的入口url
def parse(self, response):
"""
(1) 該方法作為books爬蟲的入口請求
(2) Scrapy為Spider的 start_urls 屬性中的每個URL創建了 scrapy.Request 對象,并將 parse 方法
作為回調函數(callback)賦值給了Request。
(3) Request對象經過調度,執行生成 scrapy.http.Response 對象并送回給該parse() 方法。
"""
# https://book.jd.com/
print(response.url)
pass
```
<br/>
**5. 啟動爬蟲**
啟動方式一:到項目的目錄下執行下面的命令;
```
# scrapy crawl 爬蟲名稱
D:\PycharmWorkspace\mySpider> scrapy crawl books
```
<br/>
啟動方式二:在代碼中啟動,在項目目錄下創建`start.py`腳本
```python
from scrapy import cmdline
if __name__ == "__main__":
cmdline.execute("scrapy crawl books".split())
或者
cmdline.execute(["scrapy", "crawl", "books"])
```
<br/>
**6. 啟動爬蟲后會打印很多的logging信息,如果你不想打印到控制臺上,在`settings.py`中做如下配置**
```python
LOG_LEVEL = 'WARNING'
```
- 爬蟲基本概念
- 爬蟲介紹
- 通用爬蟲與聚焦爬蟲
- 通用爬蟲
- 聚焦爬蟲
- HTTP與HTTPS協議
- HTTP協議簡介
- HTTP的請求與響應
- 客戶端HTTP請求
- 服務端HTTP響應
- requests庫
- requests庫簡介
- requests簡單使用
- 發送帶header的請求
- 發送帶參數的請求
- 案例:下載百度貼吧頁面
- 發送POST請求
- 使用代理
- 為什么要使用代理?
- 正反向代理
- 代理服務器分類
- 使用代理
- cookie和session
- cookie和session的區別
- 爬蟲處理cookie和session
- 使用session登錄網站
- 使用cookie登錄網站
- cookiejar
- 超時和重試
- verify參數忽略CA證書
- URL地址的解碼和編碼
- 數據處理
- json數據處理
- json數據處理方案
- json模塊處理json數據
- jsonpath處理json數據
- 正則表達式
- lxml
- xpath與lxml介紹
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介紹
- 解析器
- CSS選擇器
- 案例
- 四大對象
- 爬蟲與反爬蟲
- 爬蟲與反爬蟲的斗爭
- 服務器反爬的原因
- 什么樣的爬蟲會被反爬
- 反爬領域常見概念
- 反爬的三個方向
- 基于身份識別進行反爬
- 基于爬蟲行為進行反爬
- 基于數據加密進行反爬
- js解析
- chrome瀏覽器使用
- 定位js
- 設置斷點
- js2py
- hashlib
- 有道翻譯案例
- 動態爬取HTML
- 動態HTML
- 獲取Ajax數據的方式
- selenium+driver
- driver定位
- 表單元素操作
- 行為鏈
- cookie操作
- 頁面等待
- 多窗口與頁面切換
- 配置對象
- 拉勾網案例
- 圖片驗證碼識別
- 圖形驗證碼識別技術簡介
- Tesseract
- pytesseract處理圖形驗證碼
- 打碼平臺
- 登錄打碼平臺
- 驗證碼種類
- 多任務-線程
- 繼承Thread創建線程
- 查看線程數量
- 資源共享
- 互斥鎖
- 死鎖
- 避免死鎖
- Queue線程
- 多線程爬蟲
- 多任務-進程
- 創建進程
- 進程池
- 進程間的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬蟲流程
- 創建scrapy項目
- Selector選擇器
- logging
- scrapy shell
- 保存數據
- Item數據建模
- 翻頁請求
- Request
- CrawlSpider
- settings
- 模擬登錄
- 保存文件
- 內置Pipeline
- 自定義Pipeline
- 中間件
- selenium動態加載
- 防止反爬
- 隨機User-Agent
- 隨機IP代理
- settings中的參數
- 隨機延遲
- request.meta常用參數
- 分布式爬蟲
- 分布式原理
- scrapy_redis
- 去重問題
- 分布式爬蟲編寫流程
- CrawSpider改寫成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash環境搭建
- APP抓取
- Android模擬器
- appium
- appium是什么?
- appium環境搭建
- appium環境聯調測試
- appium的使用
- 演示項目-抓取抖音app
- 抖音app與appium的聯調測試
- 元素定位
- 抖音appium代碼
- 抓包軟件
- url去重處理