Scrapy框架----- 入门案例

入门案例

学习目标

• 建立一个Scrapy项目
• 定义提取的结构化数据(Item)
• 编写爬取网站的 Spider 并提取出结构化数据(Item)
• 编写 Item Pipelines 来存储提取到的Item(即结构化数据)

一. 新建项目(scrapy startproject)

• 在开始爬取以前，必须建立一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：

scrapy startproject mySpider

• 其中， mySpider 为项目名称，能够看到将会建立一个 mySpider 文件夹，目录结构大体以下：

•  

下面来简单介绍一下各个主要文件的做用：

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/ ：存储爬虫代码目录

2、明确目标(mySpider/items.py)

咱们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的全部讲师的姓名、职称和我的信息。

1. 打开mySpider目录下的items.py

2. Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，可是提供了一些额外的保护减小错误。

3. 能够经过建立一个 scrapy.Item 类， 而且定义类型为 scrapy.Field的类属性来定义一个Item（能够理解成相似于ORM的映射关系）。

4. 接下来，建立一个ItcastItem 类，和构建item模型（model）。

import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() level = scrapy.Field() info = scrapy.Field() 

3、制做爬虫 （spiders/itcastSpider.py）

爬虫功能要分两步：

1. 爬数据

• 在当前目录下输入命令，将在mySpider/spider目录下建立一个名为itcast的爬虫，并指定爬取域的范围：

scrapy genspider itcast "itcast.cn"

• 打开 mySpider/spider目录里的 itcast.py，默认增长了下列代码:

import scrapy class ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( 'http://www.itcast.cn/', ) def parse(self, response): pass 

其实也能够由咱们自行建立itcast.py并编写上面的代码，只不过使用命令能够免去编写固定代码的麻烦

要创建一个Spider， 你必须用scrapy.Spider类建立一个子类，并肯定了三个强制的属性 和 一个方法。

• name = "" ：这个爬虫的识别名称，必须是惟一的，在不一样的爬虫必须定义不一样的名字。

• 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，不存在的URL会被忽略。

• start_urls = () ：爬取的URL元祖/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(self, response) ：解析的方法，每一个初始URL完成下载后将被调用，调用的时候传入从每个URL传回的Response对象来做为惟一参数，主要做用以下：

  1. 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
  2. 生成须要下一页的URL请求。

将start_urls的值修改成须要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",) 

修改parse()方法

def parse(self, response): filename = "teacher.html" open(filename, 'w').write(response.body) 

而后运行一下看看，在mySpider目录下执行：

scrapy crawl itcast

是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用 scrapy genspider命令的惟一爬虫名。

运行以后，若是打印的日志出现 [scrapy] INFO: Spider closed (finished)，表明执行完成。 以后当前文件夹中就出现了一个 teacher.html 文件，里面就是咱们刚刚要爬取的网页的所有源代码信息。

# 注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会形成乱码； # 咱们能够指定保存内容的编码格式，通常状况下，咱们能够在代码最上方添加： import sys reload(sys) sys.setdefaultencoding("utf-8") # 这三行代码是Python2.x里解决中文编码的万能钥匙，通过这么多年的吐槽后Python3学乖了，默认编码是Unicode了...(祝你们早日拥抱Python3) 

---

2. 取数据

• 爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

•  

<div class="li_txt"> <h3> xxx </h3> <h4> xxxxx </h4> <p> xxxxxxxx </p> 

是否是一目了然？直接上XPath开始提取数据吧。

• 咱们以前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来

from mySpider.items import ItcastItem 

• 而后将咱们获得的数据封装到一个 ItcastItem 对象中，能够保存每一个老师的属性：

from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 将咱们获得的数据封装到一个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最后数据 return items 

• 咱们暂时先不处理管道，后面会详细介绍。

保存数据

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令以下：

# json格式，默认为Unicode编码 scrapy crawl itcast -o teachers.json # json lines格式，默认为Unicode编码 scrapy crawl itcast -o teachers.jsonl # csv 逗号表达式，可用Excel打开 scrapy crawl itcast -o teachers.csv # xml格式 scrapy crawl itcast -o teachers.xml 

---

思考

若是将代码改为下面形式，结果彻底同样。

请思考 yield 在这里的做用：

from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 #items = [] for each in response.xpath("//div[@class='li_txt']"): # 将咱们获得的数据封装到一个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] #items.append(item) #将获取的数据交给pipelines yield item # 返回数据，不通过pipeline #return items