网页新闻抓取(Python开发的一个快速、高层次框架会自动该类的方法)

　　网页新闻抓取(Python开发的一个快速、高层次框架会自动该类的方法)

　　记得十几年前还是高中生的时候，所谓的智能手机还没有普及。如果你想在学校阅读大量的电子书，你基本上依赖于具有阅读功能的 MP3 或 MP4。以及电子书的来源？在随时随地无法上网的情况下，有时我们靠的是一种傻瓜式方法：一页一页地粘贴复制一些小说网站的内容。而那些上百章的网络小说，靠这样的人工操作，确实很头疼。我多么希望我有一个工具可以为我自动化繁重的手工工作！！！

　　好了，言归正传，我最近一直在研究如何使用爬虫框架Scrapy。说一下想学Scrapy的初衷。

　　Scrapy 是一个用 Python 开发的快速、高级的屏幕抓取和网页抓取框架，用于抓取网站并从页面中提取结构化数据。Scrapy应用广泛，可用于数据挖掘、监控和自动化测试（百度百科上的介绍）。

　　经过几天的学习，初次使用Scrapy，首先需要了解的是以下几个概念：

　　所以，你需要做的就是编写上面提到的四个类，剩下的交给 Scrapy 框架。

　　你可以先创建一个scrapy项目：

　　scrapy startproject getMyFavoritePages

　　在文件 spiderForShortPageMsg.py 中是我们要编写的 Spiders 子类。

　　例子：现在我想在网站中获取所有文章的标题和文章的地址。

　　第 1 步：编写一个继承自 Spiders 的类

　　Scrapy框架会自动调用这个类的方法parse()，其中parse()最后调用自定义方法parse_lobste_com()来解析具体的html页面，找到我想要的数据，保存在数据类的一个Items中目的。

　　不要被这行代码吓倒：

　　response.xpath("//div/div[2]/span[1]/a[@class='u-url']"

　　就是前面提到的Selectors。这是用于定位您要查找的 html 标记的内容。有两种选择器，即XPath选择器和CSS选择器，这两种选择器都会用到。

　　这是我的 Item 数据类（即上面的 pageItem）。

　　第 2 步：在 Item Pipeline 中定义要对数据类 Item 执行的所有操作。

　　现在所需的数据已经在 Item 对象中。考虑到您的最终目的，最好的选择当然是将所有数据保存在数据库中。

　　说到数据库操作，不得不提Django中的models类。只需几个简单的设置，就可以直接调用Django中的models类，从而省去复杂的数据库操作。不要太担心。谁用谁知道！！