随着网络的发展，越来越多有价值的信息存储在网络上。使用爬虫技术可以从这些信息源中提取出有用的数据。本文将介绍如何使用Python中的Scrapy框架来爬取博客站点上的文章标题、作者以及阅读数，并将其保存到JSON文件中。
一、项目背景
Scrapy是一个快速高级的web爬虫框架，用于抓取网站数据，提取结构化数据。它可以处理大量的网站，提供了灵活的API来适应各种需求。本文将使用Scrapy来爬取来自Cnblogs的技术博客信息。
二、环境搭建
在开始编写爬虫之前，需要确保安装了Python环境，并且安装了Scrapy库。可以通过如下命令安装Scrapy：
pip install scrapy创建一个新的Scrapy项目：
scrapy startproject DemoProject
cd DemoProject在项目的spiders目录下创建一个爬虫：
scrapy genspider bkySpider cnblogs.com三、定义Item类
首先，我们需要定义一个数据模型来存储爬取的数据。在DemoProject/DemoProject/items.py中定义如下类：
class BkyItem(scrapy.Item):
title = scrapy.Field()
author = scrapy.Field()
readNum = scrapy.Field()这里定义了三个字段：title、author 和 readNum，分别用于存储文章标题、作者名称和阅读数量。
四、编写爬虫逻辑
接下来，在DemoProject/spiders/bkySpider.py中编写爬虫逻辑：
import scrapy
from DemoProject.items import BkyItem
class BkyspiderSpider(scrapy.Spider):
name = "bkySpider"
allowed_domains = ["cnblogs.com"]
start_urls = ["https://cnblogs.com"]
def parse(self, response):
# 创建item对象
item = BkyItem()
# 使用 XPath 选择器获取所有文章元素
article = response.xpath("//article[@class='post-item']")
item["title"] = article.xpath(
".//section[@class='post-item-body']//div[@class='post-item-text']//a[@class='post-item-title']/text()"
).extract()
item["author"] = article.xpath(
".//footer[@class='post-item-foot']//a[@class='post-item-author']//span/text()"
).extract()
item["readNum"] = article.xpath(
".//footer[@class='post-item-foot']//a[contains(@title,'阅读')]//span/text()"
).extract()
return item这里定义了一个名为bkySpider的爬虫类，指定了起始URL，并在parse方法中解析了页面内容，提取了所需的字段。
五、实现Pipeline处理
为了处理爬取到的数据，我们还需要定义一个Pipeline。在DemoProject/DemoProject/pipelines.py中添加如下代码：
import json
class DemoProjectPipeline(object):
def __init__(self):
# 打开edu.json文件
self.file = open("D:\\PyCharmProject\\pP1\\work2.json", "w", encoding='utf-8')
def close_spider(self, spider):
self.file.close()
def process_item(self, item, spider):
print("Processing an item in the pipeline...")
# 通过for循环以此处理每条博文数据,从item对象中读取
# 构建json格式
self.file.write('[')
# 开始for循环写入
for index in range(0, len(item['title'])):
# 逐层提取，赋值
title = item['title'][index]
# 注意：原始代码中缺少对href的处理，这里假设href存在
href = item['href'][index]
# 重构生成一条json记录，json的标准格式
record = {"title": title, "href": href}
# 写入到json文件里
line = json.dumps(dict(record), ensure_ascii=False)
self.file.write(line)
# 如果不是最后一行，要加入逗号换行符
if index != len(item["title"]) - 1:
self.file.write(',\n')
self.file.write(']')
return item注意：原始代码中并没有href字段的提取，此处假设它存在于item中，否则需要删除或调整。
六、执行爬虫
现在，可以在命令行中运行爬虫：
scrapy crawl bkySpider执行完毕后，指定路径下的work2.json文件将包含爬取的数据。
