python爬虫scrapy(一)

2017-08-19 本文已影响34人我是上帝可爱多

今天我来教大家用scrapy写python爬虫，安装指南可以参考这里，我们来开始今天的内容。

1 创建项目

在开始爬取之前，您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令:

scrapy startproject demo

该命令将会创建包含下列内容的 demo 目录:

demo/
    scrapy.cfg
    demo/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

大家看到这些可能比较懵，下面来解释一下：

scrapy.cfg: 项目的配置文件
demo/: 该项目的python模块。之后您将在此加入代码。
demo/items.py: 项目中的item文件.
demo/pipelines.py: 项目中的pipelines文件.
demo/settings.py: 项目的设置文件.
demo/spiders/: 放置spider代码的目录.

看到这里依然很费解是不是，这时候我们就需要生动形象的代码了
以下为我们的第一个Spider代码，保存在demo/spiders 目录下的 dmoz_spider.py 文件中:

import scrapy

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2] + '.html'
        with open(filename, 'wb') as f:
            f.write(response.body)

来简单解释一下这段代码的意思：

name = "dmoz" 运行该爬虫的命令是 scrapy crawl dmoz
allowed_domains = ["dmoz.org"] 允许发送请求的域名，其他无效。
start_urls 爬去网页内容的url，是一个数组。
parse 把抓取的网页内容解析，response.url是访问的地址，这段代码里面会新建2个html文件，并把爬去到的内容保存进去。

进入项目的根目录，执行下列命令启动spider:

scrapy crawl dmoz

该命令启动了我们刚刚添加的 dmoz spider, 向 dmoz.org 发送一些请求。您将会得到类似的输出:

2014-01-23 18:13:07-0400 [scrapy] INFO: Scrapy started (bot: tutorial)
2014-01-23 18:13:07-0400 [scrapy] INFO: Optional features available: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Overridden settings: {}
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled extensions: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled downloader middlewares: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled spider middlewares: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled item pipelines: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Spider opened
2014-01-23 18:13:08-0400 [scrapy] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/> (referer: None)
2014-01-23 18:13:09-0400 [scrapy] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/> (referer: None)
2014-01-23 18:13:09-0400 [scrapy] INFO: Closing spider (finished)

我们爬取到内容后需要将其保存，这时候就需要通过demo目录下的item.py了，如果有django经验的人会比较熟悉这部分。

2 定义Item

Item 是保存爬取到的数据的容器；其使用方法和python字典类似。类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个Item。

首先根据需要从dmoz.org获取到的数据对item进行建模。我们需要从dmoz中获取名字，url，以及网站的描述。对此，在item中定义相应的字段。编辑 demo 目录中的 items.py 文件:

import scrapy
class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

写好了item之后，为了将爬取的数据返回，我们最终的代码将是:

import scrapy

from tutorial.items import DmozItem

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        for sel in response.xpath('//ul/li'):
            item = DmozItem()
            item['title'] = sel.xpath('a/text()').extract()
            item['link'] = sel.xpath('a/@href').extract()
            item['desc'] = sel.xpath('text()').extract()
            yield item

大家应该也看出来了，item实际是充当了model的作用，保存数据。可能比较奇怪的是xpath是什么。。。

3 提取数据

比如我们想获得刚刚爬取网页内容ul下面所有的li.

response.xpath('//ul/li')

获取li所有的内容，它是每个li内容组成的数组。

response.xpath('//ul/li/text()').extract()

注意不要忘了用extract，如果不用extract我们来看下获得是啥。

In [3]: response.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:Languages: Python: Books'>]

In [4]: response.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']

这下知道为什么需要用extract提取了吧，不用的话得到的只是一个selector。

以及网站的链接(获得li下面a标签所有的href):

response.xpath('//ul/li/a/@href').extract()

现在对dmoz.org进行爬取将会产生 DmozItem 对象:

scrapy] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
     {'desc': [u' - By David Mertz; Addison Wesley. Book in progress, full text, ASCII format. Asks for feedback. [author website, Gnosis Software, Inc.\n],
      'link': [u'http://gnosis.cx/TPiP/'],
      'title': [u'Text Processing in Python']}
[scrapy] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
     {'desc': [u' - By Sean McGrath; Prentice Hall PTR, 2000, ISBN 0130211192, has CD-ROM. Methods to build XML applications fast, Python tutorial, DOM and SAX, new Pyxie open source XML processing library. [Prentice Hall PTR]\n'],
      'link': [u'http://www.informit.com/store/product.aspx?isbn=0130211192'],
      'title': [u'XML Processing with Python']}

4 追踪链接

设想我们并不是要获得我们爬取网页的内容，而是想要拿到里面的a链接，对a连接的地址内容进行解析。

import scrapy

from tutorial.items import DmozItem

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/",
    ]

    def parse(self, response):
        for href in response.css("ul.directory.dir-col > li > a::attr('href')"):
            url = response.urljoin(response.url, href.extract())
            yield scrapy.Request(url, callback=self.parse_dir_contents)

    def parse_dir_contents(self, response):
        for sel in response.xpath('//ul/li'):
            item = DmozItem()
            item['title'] = sel.xpath('a/text()').extract()
            item['link'] = sel.xpath('a/@href').extract()
            item['desc'] = sel.xpath('text()').extract()
            yield item

下面使用css方法获取li下面所有a的href值，返回的是一个list。

response.css("ul.directory.dir-col > li > a::attr('href')")

css和xpath的功能是一样的，都是定位网页内容，用法有差异，后期会讲到。

我么假设爬取的网页内容如下：

ul.directory.dir-col 
    li 
       a(href='list')
    li 
       a(href='dict')
     li 
       a(href='tuple')

那么实际上我们最终是对http://www.dmoz.org/Computers/Programming/Languages/Python/dict，
http://www.dmoz.org/Computers/Programming/Languages/Python/list，
...三个网页进行爬取。

我们已经通过item拿到了爬取内容，就可以通过在根目录运行

scrapy crawl dmoz -o items.json

采用 JSON 格式对爬取的数据进行序列化，生成 items.json文件.

5 新建一个spider

在项目目录执行以下命令

scrapy genspider mydomain mydomain.com

会在demo/spider/ 生成mydomain.py ,内容如下

class MydomainSpider(scrapy.Spider):
    name = 'mydomain'
    allowed_domains = ['mydomain.com']
    start_urls = ['http://mydomain.com/']

    def parse(self, response):
        pass

好了，今天第一讲就到这里，通过本节你应该学会如何构建scrapy爬虫，获得爬取网页的内容，保存items。。。