如何利用Scrapy爬虫框架抓取网页全部文章信息（上篇）

　　如何利用Scrapy爬虫框架抓取网页全部文章信息（上篇）

　　点击上方“Python爬虫与数据挖掘”，进行关注

　　回复“书籍”即可获赠Python从入门到进阶共10本电子书

　　今

　　日

　　鸡

　　汤

　　孤灯不明思欲绝，卷帷望月空长叹。

　　/前言/

　　前一段时间小编给大家分享了Xpath和CSS选择器的具体用法，感兴趣的小伙伴可以戳这几篇文章温习一下，，，、、、，学会选择器的具体使用方法，可以帮助自己更好的利用Scrapy爬虫框架。在接下来的几篇文章中，小编将给大家讲解爬虫主体文件的具体代码实现过程，最终实现网页所有内容的抓取。

　　前一阶段我们已经实现了通过Scrapy抓取某一具体网页页面的具体信息，、，但是未实现对所有页面的依次提取。首先我们理一下爬取思路，大致思想是：当获取到第一个页面的URL之后，尔后将第二页的URL发送给Scrapy，让Scrapy去自动下载该网页的信息，之后通过第二页的URL继续获取第三页的URL，由于每一页的网页结构是一致的，所以通过这种方式如此反复进行迭代，便可以实现整个网页中的信息提取。其具体的实现过程将通过Scrapy框架来进行实现，具体的教程如下。

　　/具体实现/

　　1、首先URL不再是某一篇具体文章的URL了，而是所有文章列表的URL，如下图所示，将链接放到start_urls里边，如下图所示。

　　2、接下来我们将需要更改parse()函数，在这个函数中我们需要实现两件事情。

　　其一是获取某一页面所有文章的URL并对其进行解析，获取每一篇文章里的具体网页内容，其二是获取下一个网页的URL并交给Scrapy进行下载，下载完成之后再交给parse()函数。

　　有了之前的Xpath和CSS选择器基础知识之后，获取网页链接URL就变得相对简单了。

　　3、分析网页结构，使用网页交互工具，我们可以很快的发现每一个网页有20篇文章，即20个URL，而且文章列表都存在于id="archive"这个标签下面，之后像剥洋葱一样去获取我们想要的URL链接。

　　4、点开下拉三角，不难发现文章详情页的链接藏的不深，如下图圈圈中所示。

　　5、根据标签我们按图索骥，加上选择器利器，获取URL犹如探囊取物。在cmd中输入下图命令，以进入shell调试窗口，事半功倍。再次强调，这个URL是所有文章的网址，而不是某一篇文章的URL，不然后面你调试半天都不会有结果的。

　　6、根据第四步的网页结构分析，我们在shell中写入CSS表达式，并进行输出，如下图所示。其中a::attr(href)的用法很巧妙，也是个提取标签信息的小技巧，建议小伙伴们在提取网页信息的时候可以经常使用，十分方便。

　　至此，第一页的所有文章列表的URL已经获取到了。提取到URL之后，如何将其交给Scrapy去进行下载呢？下载完成之后又如何调用我们自己定义的解析函数呢？