爬虫框架Scrapy的第一个爬虫示例入门教程

时间  2019-11-07
标签 爬虫 框架 scrapy 第一个 示例 入门 教程 栏目 网络爬虫 繁體版
原文   原文链接

咱们使用dmoz.org这个网站来做为小抓抓一展身手的对象。css


首先先要回答一个问题。html

问：把网站装进爬虫里，总共分几步？node

答案很简单，四步：python

  • 新建项目 (Project)：新建一个新的爬虫项目
  • 明确目标（Items）：明确你想要抓取的目标
  • 制做爬虫（Spider）：制做爬虫开始爬取网页
  • 存储内容（Pipeline）：设计管道存储爬取内容


好的，基本流程既然肯定了，那接下来就一步一步的完成就能够了。正则表达式


1.新建项目（Project）shell

在空目录下按住Shift键右击，选择“在此处打开命令窗口”，输入一下命令：json

 

[plain] view plain copy 在CODE上查看代码片派生到个人代码片
  1. scrapy startproject tutorial  


其中，tutorial为项目名称。app

能够看到将会建立一个tutorial文件夹，目录结构以下：dom

 

[plain] view plain copy 在CODE上查看代码片派生到个人代码片
  1. tutorial/  
  2.     scrapy.cfg  
  3.     tutorial/  
  4.         __init__.py  
  5.         items.py  
  6.         pipelines.py  
  7.         settings.py  
  8.         spiders/  
  9.             __init__.py  
  10.             ...  




下面来简单介绍一下各个文件的做用：scrapy

  • scrapy.cfg：项目的配置文件
  • tutorial/：项目的Python模块，将会从这里引用代码
  • tutorial/items.py：项目的items文件
  • tutorial/pipelines.py：项目的pipelines文件
  • tutorial/settings.py：项目的设置文件
  • tutorial/spiders/：存储爬虫的目录


2.明确目标（Item）

在Scrapy中，items是用来加载抓取内容的容器，有点像Python中的Dic，也就是字典，可是提供了一些额外的保护减小错误。

通常来讲，item能够用scrapy.item.Item类来建立，而且用scrapy.item.Field对象来定义属性（能够理解成相似于ORM的映射关系）。

接下来，咱们开始来构建item模型（model）。

首先，咱们想要的内容有：

  • 名称（name）
  • 连接（url）
  • 描述（description）


修改tutorial目录下的items.py文件，在本来的class后面添加咱们本身的class。

由于要抓dmoz.org网站的内容，因此咱们能够将其命名为DmozItem：

 

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. # Define here the models for your scraped items  
  2. #  
  3. # See documentation in:  
  4. # http://doc.scrapy.org/en/latest/topics/items.html  
  5.   
  6. from scrapy.item import Item, Field  
  7.   
  8. class TutorialItem(Item):  
  9.     # define the fields for your item here like:  
  10.     # name = Field()  
  11.     pass  
  12.   
  13. class DmozItem(Item):  
  14.     title = Field()  
  15.     link = Field()  
  16.     desc = Field()  


刚开始看起来可能会有些看不懂，可是定义这些item能让你用其余组件的时候知道你的 items究竟是什么。

能够把Item简单的理解成封装好的类对象。


3.制做爬虫（Spider）

制做爬虫，整体分两步：先爬再取。

也就是说，首先你要获取整个网页的全部内容，而后再取出其中对你有用的部分。

3.1爬

Spider是用户本身编写的类，用来从一个域（或域组）中抓取信息。

他们定义了用于下载的URL列表、跟踪连接的方案、解析网页内容的方式，以此来提取items。

要创建一个Spider，你必须用scrapy.spider.BaseSpider建立一个子类，并肯定三个强制的属性：

  • name：爬虫的识别名称，必须是惟一的，在不一样的爬虫中你必须定义不一样的名字。
  • start_urls：爬取的URL列表。爬虫从这里开始抓取数据，因此，第一次下载的数据将会从这些urls开始。其余子URL将会从这些起始URL中继承性生成。
  • parse()：解析的方法，调用的时候传入从每个URL传回的Response对象做为惟一参数，负责解析并匹配抓取的数据(解析为item)，跟踪更多的URL。

 

这里能够参考宽度爬虫教程中说起的思想来帮助理解，教程传送：[Java] 知乎下巴第5集：使用HttpClient工具包和宽度爬虫。

也就是把Url存储下来并依此为起点逐步扩散开去，抓取全部符合条件的网页Url存储起来继续爬取。



下面咱们来写第一只爬虫，命名为dmoz_spider.py，保存在tutorial\spiders目录下。

dmoz_spider.py代码以下：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. from scrapy.spider import Spider  
  2.   
  3. class DmozSpider(Spider):  
  4.     name = "dmoz"  
  5.     allowed_domains = ["dmoz.org"]  
  6.     start_urls = [  
  7.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  9.     ]  
  10.   
  11.     def parse(self, response):  
  12.         filename = response.url.split("/")[-2]  
  13.         open(filename, 'wb').write(response.body)  

allow_domains是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页。

从parse函数能够看出，将连接的最后两个地址取出做为文件名进行存储。

而后运行一下看看，在tutorial目录下按住shift右击，在此处打开命令窗口，输入：

[plain] view plain copy 在CODE上查看代码片派生到个人代码片
  1. scrapy crawl dmoz  


运行结果如图：

报错了：

UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)

运行第一个Scrapy项目就报错，真是命运多舛。

应该是出了编码问题，谷歌了一下找到了解决方案：

在python的Lib\site-packages文件夹下新建一个sitecustomize.py：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. import sys    
  2. sys.setdefaultencoding('gb2312')    


再次运行，OK，问题解决了，看一下结果：


最后一句INFO: Closing spider (finished)代表爬虫已经成功运行而且自行关闭了。

包含 [dmoz]的行 ，那对应着咱们的爬虫运行的结果。

能够看到start_urls中定义的每一个URL都有日志行。

还记得咱们的start_urls吗？

http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources

由于这些URL是起始页面，因此他们没有引用(referrers)，因此在它们的每行末尾你会看到 (referer: <None>)。

在parse 方法的做用下，两个文件被建立：分别是 Books 和 Resources，这两个文件中有URL的页面内容。


那么在刚刚的电闪雷鸣之中到底发生了什么呢？

首先，Scrapy为爬虫的 start_urls属性中的每一个URL建立了一个 scrapy.http.Request 对象 ，并将爬虫的parse 方法指定为回调函数。

而后，这些 Request被调度并执行，以后经过parse()方法返回scrapy.http.Response对象，并反馈给爬虫。


3.2取

爬取整个网页完毕，接下来的就是的取过程了。

光存储一整个网页仍是不够用的。

在基础的爬虫里，这一步能够用正则表达式来抓。

在Scrapy里，使用一种叫作 XPath selectors的机制，它基于 XPath表达式。

若是你想了解更多selectors和其余机制你能够查阅资料：点我点我


这是一些XPath表达式的例子和他们的含义

  • /html/head/title: 选择HTML文档<head>元素下面的<title> 标签。
  • /html/head/title/text(): 选择前面提到的<title> 元素下面的文本内容
  • //td: 选择全部 <td> 元素
  • //div[@class="mine"]: 选择全部包含 class="mine" 属性的div 标签元素

以上只是几个使用XPath的简单例子，可是实际上XPath很是强大。

能够参照W3C教程：点我点我。


为了方便使用XPaths，Scrapy提供XPathSelector 类，有两种能够选择，HtmlXPathSelector(HTML数据解析)和XmlXPathSelector(XML数据解析)。

必须经过一个 Response 对象对他们进行实例化操做。

你会发现Selector对象展现了文档的节点结构。所以，第一个实例化的selector必与根节点或者是整个目录有关 。

在Scrapy里面，Selectors 有四种基础的方法（点击查看API文档）：

  • xpath()：返回一系列的selectors，每个select表示一个xpath参数表达式选择的节点
  • css()：返回一系列的selectors，每个select表示一个css参数表达式选择的节点
  • extract()：返回一个unicode字符串，为选中的数据
  • re()：返回一串一个unicode字符串，为使用正则表达式抓取出来的内容


3.3xpath实验

下面咱们在Shell里面尝试一下Selector的用法。

实验的网址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/



熟悉完了实验的小白鼠，接下来就是用Shell爬取网页了。

进入到项目的顶层目录，也就是第一层tutorial文件夹下，在cmd中输入：

 

[plain] view plain copy 在CODE上查看代码片派生到个人代码片
  1. scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/  


回车后能够看到以下的内容：

 


在Shell载入后，你将得到response回应，存储在本地变量 response中。

因此若是你输入response.body，你将会看到response的body部分，也就是抓取到的页面内容：


或者输入response.headers 来查看它的 header部分：



如今就像是一大堆沙子握在手里，里面藏着咱们想要的金子，因此下一步，就是用筛子摇两下，把杂质出去，选出关键的内容。

selector就是这样一个筛子。

在旧的版本中，Shell实例化两种selectors，一个是解析HTML的 hxs 变量，一个是解析XML 的 xxs 变量。

而如今的Shell为咱们准备好的selector对象，sel，能够根据返回的数据类型自动选择最佳的解析方案(XML or HTML)。

而后咱们来捣弄一下！~

要完全搞清楚这个问题，首先先要知道，抓到的页面究竟是个什么样子。

好比，咱们要抓取网页的标题，也就是<title>这个标签：


能够输入：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. sel.xpath('//title')  


结果就是：


这样就能把这个标签取出来了，用extract()和text()还能够进一步作处理。

备注：简单的罗列一下有用的xpath路径表达式：

 

表达式 描述
nodename 选取此节点的全部子节点。
/ 从根节点选取。
// 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。


所有的实验结果以下，In[i]表示第i次实验的输入，Out[i]表示第i次结果的输出（建议你们参照：W3C教程）：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. In [1]: sel.xpath('//title')  
  2. Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]  
  3.   
  4. In [2]: sel.xpath('//title').extract()  
  5. Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']  
  6.   
  7. In [3]: sel.xpath('//title/text()')  
  8. Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]  
  9.   
  10. In [4]: sel.xpath('//title/text()').extract()  
  11. Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']  
  12.   
  13. In [5]: sel.xpath('//title/text()').re('(\w+):')  
  14. Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']  



固然title这个标签对咱们来讲没有太多的价值，下面咱们就来真正抓取一些有意义的东西。

使用火狐的审查元素咱们能够清楚地看到，咱们须要的东西以下：



咱们能够用以下代码来抓取这个<li>标签：

 

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. sel.xpath('//ul/li')  

从<li>标签中，能够这样获取网站的描述：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. sel.xpath('//ul/li/text()').extract()  




能够这样获取网站的标题：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. sel.xpath('//ul/li/a/text()').extract()  


能够这样获取网站的超连接：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. sel.xpath('//ul/li/a/@href').extract()  


固然，前面的这些例子是直接获取属性的方法。

咱们注意到xpath返回了一个对象列表，

那么咱们也能够直接调用这个列表中对象的属性挖掘更深的节点

（参考：Nesting selectors andWorking with relative XPaths in the Selectors）：

 

sites = sel.xpath('//ul/li') for site in sites: title = site.xpath('a/text()').extract() link = site.xpath('a/@href').extract() desc = site.xpath('text()').extract() print title, link, desc

 

3.4xpath实战

咱们用shell作了这么久的实战，最后咱们能够把前面学习到的内容应用到dmoz_spider这个爬虫中。

在原爬虫的parse函数中作以下修改：

 

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. from scrapy.spider import Spider  
  2. from scrapy.selector import Selector  
  3.   
  4. class DmozSpider(Spider):  
  5.     name = "dmoz"  
  6.     allowed_domains = ["dmoz.org"]  
  7.     start_urls = [  
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  10.     ]  
  11.   
  12.     def parse(self, response):  
  13.         sel = Selector(response)  
  14.         sites = sel.xpath('//ul/li')  
  15.         for site in sites:  
  16.             title = site.xpath('a/text()').extract()  
  17.             link = site.xpath('a/@href').extract()  
  18.             desc = site.xpath('text()').extract()  
  19.             print title  


注意，咱们从scrapy.selector中导入了Selector类，而且实例化了一个新的Selector对象。这样咱们就能够像Shell中同样操做xpath了。

咱们来试着输入一下命令运行爬虫（在tutorial根目录里面）：

scrapy crawl dmoz

 

运行结果以下：

果真，成功的抓到了全部的标题。可是好像不太对啊，怎么Top，Python这种导航栏也抓取出来了呢？

咱们只须要红圈中的内容：


看来是咱们的xpath语句有点问题，没有仅仅把咱们须要的项目名称抓取出来，也抓了一些无辜的可是xpath语法相同的元素。

审查元素咱们发现咱们须要的<ul>具备class='directory-url'的属性，

那么只要把xpath语句改为sel.xpath('//ul[@class="directory-url"]/li')便可

将xpath语句作以下调整：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. from scrapy.spider import Spider  
  2. from scrapy.selector import Selector  
  3.   
  4. class DmozSpider(Spider):  
  5.     name = "dmoz"  
  6.     allowed_domains = ["dmoz.org"]  
  7.     start_urls = [  
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  10.     ]  
  11.   
  12.     def parse(self, response):  
  13.         sel = Selector(response)  
  14.         sites = sel.xpath('//ul[@class="directory-url"]/li')  
  15.         for site in sites:  
  16.             title = site.xpath('a/text()').extract()  
  17.             link = site.xpath('a/@href').extract()  
  18.             desc = site.xpath('text()').extract()  
  19.             print title  


成功抓出了全部的标题，绝对没有滥杀无辜：


3.5使用Item

接下来咱们来看一看如何使用Item。

前面咱们说过，Item 对象是自定义的python字典，可使用标准字典语法获取某个属性的值：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. >>> item = DmozItem()  
  2. >>> item['title'] = 'Example title'  
  3. >>> item['title']  
  4. 'Example title'  


做为一只爬虫，Spiders但愿能将其抓取的数据存放到Item对象中。为了返回咱们抓取数据，spider的最终代码应当是这样:

 

[python] view plain copy 在CODE上查看代码片派生到个人代码片
  1. from scrapy.spider import Spider  
  2. from scrapy.selector import Selector  
  3.   
  4. from tutorial.items import DmozItem  
  5.   
  6. class DmozSpider(Spider):  
  7.     name = "dmoz"  
  8.     allowed_domains = ["dmoz.org"]  
  9.     start_urls = [  
  10.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  11.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  12.     ]  
  13.   
  14.     def parse(self, response):  
  15.         sel = Selector(response)  
  16.         sites = sel.xpath('//ul[@class="directory-url"]/li')  
  17.         items = []  
  18.         for site in sites:  
  19.             item = DmozItem()  
  20.             item['title'] = site.xpath('a/text()').extract()  
  21.             item['link'] = site.xpath('a/@href').extract()  
  22.             item['desc'] = site.xpath('text()').extract()  
  23.             items.append(item)  
  24.         return items  



4.存储内容（Pipeline）

保存信息的最简单的方法是经过Feed exports，主要有四种：JSON，JSON lines，CSV，XML。

咱们将结果用最经常使用的JSON导出，命令以下：


[plain] view plain copy 在CODE上查看代码片派生到个人代码片
  1. scrapy crawl dmoz -o items.json -t json  


-o 后面是导出文件名，-t 后面是导出类型。

而后来看一下导出的结果，用文本编辑器打开json文件便可（为了方便显示，在item中删去了除了title以外的属性）：




由于这个只是一个小型的例子，因此这样简单的处理就能够了。

若是你想用抓取的items作更复杂的事情，你能够写一个 Item Pipeline(条目管道)。

这个咱们之后再慢慢玩^_^

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程