python 爬取amazoo Python 爬取北京公交线路

        前言就不过多赘述了，大家只要把scrapy的基本了解之后就可以完成这个项目。

一：创建scrapy项目：

 打开控制台输入 scrapy startproject beibus(这个是项目名称，可以自己修改)

进入项目文件夹创建爬虫scrapy genspider (爬虫名) (域名)

 查看beibus项目，如果有刚刚创建的爬虫名称的py文件，说明爬虫创建成功

二：设置settings

打开settings.py文件，修改ROBOTSTXT_OBEY的值为False

 

并且将DEFAULT_REQUEST_HEADERS参数取消注释，在后方加上User-Agent参数，这个参数大家可以自行选择网站，笔者这边选择的是www.baidu.com的headers

 三：创建并编写start_requests方法

class BeiBusSpider(scrapy.Spider):
    name = 'bei_bus'
    allowed_domains = ['beijing.8684.cn']
    start_urls = 'http://beijing.8684.cn'
    def start_requests(self):
        for page in range(2):
            url='{url}/list{page}'.format(url=self.start_urls,page=(page+1))
            yield scrapy.FormRequest(url,callback=self.parse_index)
    def parse_index(self,response):
        pass
    def parse(self, response):
        pass

此方法名固定，启动scrapy首先启动该方法。

获取一级url之后使用callback将url回调到parse_index方法

四：创建并编写parse_index方法

def parse_index(self,response):
        beijing=response.xpath('//div[@class="cc-content service-area"]/div[2]/a/@href').extract()
        for href in beijing:
            url2=urljoin(self.start_urls,href)
            yield scrapy.FormRequest(url2,self.parse_detail)

使用response.xpath获取需要的数据，笔者这边获取的是公交路线之后的二级url

 使用urljoin拼接url和刚刚爬取的href获取二级url之后callback回调到parse_detail方法

五：在parse_detail方法获取需要爬取的数据

笔者这边爬取的数据是公交路线名称，公交路线以及起点和终点

 

 

def parse_detail(self,response):
        name=response.xpath('//h1[@class="title"]/text()').extract()
        trip=response.xpath('//div[@class="trip"]/text()').extract()
        luxian=response.xpath('//div[@class="bus-lzlist mb15"]/ol/li/a/text()').extract()

 name

trip

luxian

 

 至此，数据爬取完成。下面是scrapy爬取数据导入数据库的步骤。

一：进入 items.py 文件，修改其中的 class 以格式化数据

 二：在 bei_bus.py 文件的 parse_detail方法的末尾添加如下语句，以格式化数据

bus_item = BeibusItem()
for field in bus_item.fields:
bus_item[field] = eval（field)
yield bus_item

三：在 MySQL 的 bus 数据库中创建一个 businfo表

 四：在 settings.py 文件末尾添加如下参数

DB_HOST = 'localhost'
DB_USER = 'root'
DB_PWD = 'liu19780928'
DB_CHARSET='UTF8'
DB = 'bus'

（根据个人实际更改）

五：在 pipelines.py 文件中，修改 class 名称为 MySQL Pipeline，添加初始 化方法，将 host、user、password、db、charset 从 settings 中读取出来，并通 过添加一个 connect()方法建立与数据库的连接

class MysqlPipeline(object):
    def __init__(self):
        self.host = settings.DB_HOST
        self.user = settings.DB_USER
        self.pwd = settings.DB_PWD
        self.db = settings.DB
        self.charset = setting.DB_CHARSET
        self.connect()

    def connect(self):
        self.conn = pymysql.connect(host=self.host,
                                    user=self.user,
                                    password=self.pwd,
                                    db=self.db,
                                    charset=self.charset)
        self.cursor=self.conn.cursor()
    def process_item(self, item, spider):
        return item

六：添加一个 close_spider方法，用于关闭 MySQL 数据库连接

def close_spider(self, spider):
        self.conn.close()
        self.cursor.close()

七：实现 process_item()方法，用于完成向数据库中插入数据的操作

def process_item(self, item, spider):
        sql='insert into businfo values("%s","%s","%s")'%(item['name'],item['trip'],item['luxian'])
        self.cursor.execute(sql)
        self.conn.commit()
        return item

八：在 settings.py 中将 ITEM_PIPELINES 方法的注释去掉，并将其中的内容 改为“'beibus.pipelines.MysqlPipeline':300”，

ITEM_PIPELINES ={
'beibus.pipelines.MysqlPipeline': 300
}

九：执行 “scrapy crawl bei_bus”命令，启动爬虫项目

 最后查看一下mysql数据

select * from businfo;

Scrapy爬取北京公交完成！