分页交互在请求数据时有同步和异步两种情况，同步时页面整体刷新，异步时页面局部刷新。对于这两种分页的数据在进行爬虫时，处理的方式是不一样的。 demo仅供学习，域名全部匿为test
同步分页
同步分页时，页面整体刷新，url地址栏会发生变化
爬虫解析的数据对象是html
测试场景：抓取某招聘网站北京区的Java职位
立即学习“Python免费学习笔记（深入）”；
#coding=utf-8import scrapyclass TestSpider(scrapy.Spider):
name='test'
download_delay=3
user_agent='Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'
page_url = 'http://www.test.com/zhaopin/Java/{0}/?filterOption=2'
page=1
#执行入口
def start_requests(self):
#第一页
yield scrapy.Request(self.page_url.format('1'),
headers={'User-Agent':self.user_agent},
callback=self.parse,
errback=self.errback_httpbin) #解析返回的数据
def parse(self,response):
for li in response.xpath('//*[@id="s_position_list"]/ul/li'): yield{ 'company':li.xpath('@data-company').extract(), 'salary':li.xpath('@data-salary').extract()
} #是否是最后一页，根据下一页的按钮css样式判断
if response.css('a.page_no.pager_next_disabled'):
print('---is the last page,stop!---')
pass
else:
self.page=self.page+1
#抓取下一页
yield scrapy.Request(self.page_url.format(str(self.page)),
headers={'User-Agent':self.user_agent},
callback=self.parse,
errback=self.errback_httpbin) #异常处理
def errback_httpbin(self,failure):
if failure.check(HttpError):
response = failure.value.response print 'HttpError on {0}'.format(response.url) elif failure.check(DNSLookupError):
request = failure.request print'DNSLookupError on {0}'.format(request.url) elif failure.check(TimeoutError, TCPTimedOutError):
request = failure.request print'TimeoutError on {0}'.format(request.url)启动爬虫：scrapy runspider //spiders//test_spider.py -o test.csv 完毕后生成csv格式的文件：
异步分页
异步分页时，页面局部刷新，url地址栏不发生变化
爬虫解析的数据对象通常是Json
测试场景：抓取某电影网站的经典电影前100
#coding=utf-8import scrapyimport jsonclass TestSpider(scrapy.Spider):
name ='test'
download_delay = 3
user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'
pre_url = 'https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%BB%8F%E5%85%B8&sort=recommend&page_limit=20&page_start='
page=0
cnt=0
def start_requests(self):
url= self.pre_url+str(0*20) yield scrapy.Request(url,headers={'User-Agent':self.user_agent},callback=self.parse) def parse(self,response):
if response.body: # json字符串转换成Python对象
python_obj=json.loads(response.body)
subjects=python_obj['subjects'] if len(subjects)>0: for sub in subjects:
self.cnt=self.cnt+1
yield { 'title':sub["title"], 'rate':sub["rate"]
} if self.cnt<100: print 'next page-------'
self.page=self.page+1
url= self.pre_url+str(self.page*20) yield scrapy.Request(url,headers={'User-Agent':self.user_agent},callback=self.parse)启动爬虫：scrapy runspider //spiders//test_spider.py -o test.json 完毕后生成json格式的文件：
Scrapy与BeautifulSoup or lxml的区别
scrapy是编写爬虫和抓取数据的一整套框架，而BeautifulSoup or lxml只是解析html/xml的库，功能就像scrapy的xpath和css选择器，所以它们也可以在scrapy下使用，只是运行效率相对较低。 在使用scrapy的选择器时，我们可以借助浏览器的F12模式，直接Copy任意节点的xpath和css值。
