爬蟲框架Scrapy的第一個爬蟲示例入門教程

時間  2019-11-07
標籤 爬蟲 框架 scrapy 第一個 示例 入門 教程 欄目 網絡爬蟲 简体版
原文   原文鏈接

咱們使用dmoz.org這個網站來做爲小抓抓一展身手的對象。css


首先先要回答一個問題。html

問：把網站裝進爬蟲裏，總共分幾步？node

答案很簡單，四步：python

  • 新建項目 (Project)：新建一個新的爬蟲項目
  • 明確目標（Items）：明確你想要抓取的目標
  • 製做爬蟲（Spider）：製做爬蟲開始爬取網頁
  • 存儲內容（Pipeline）：設計管道存儲爬取內容


好的，基本流程既然肯定了，那接下來就一步一步的完成就能夠了。正則表達式


1.新建項目（Project）shell

在空目錄下按住Shift鍵右擊，選擇「在此處打開命令窗口」，輸入一下命令：json

 

[plain] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. scrapy startproject tutorial  


其中，tutorial爲項目名稱。app

能夠看到將會建立一個tutorial文件夾，目錄結構以下：dom

 

[plain] view plain copy 在CODE上查看代碼片派生到個人代碼片
  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.             ...  




下面來簡單介紹一下各個文件的做用：scrapy

  • scrapy.cfg：項目的配置文件
  • tutorial/：項目的Python模塊，將會從這裏引用代碼
  • tutorial/items.py：項目的items文件
  • tutorial/pipelines.py：項目的pipelines文件
  • tutorial/settings.py：項目的設置文件
  • tutorial/spiders/：存儲爬蟲的目錄


2.明確目標（Item）

在Scrapy中，items是用來加載抓取內容的容器，有點像Python中的Dic，也就是字典，可是提供了一些額外的保護減小錯誤。

通常來講，item能夠用scrapy.item.Item類來建立，而且用scrapy.item.Field對象來定義屬性（能夠理解成相似於ORM的映射關係）。

接下來，咱們開始來構建item模型（model）。

首先，咱們想要的內容有：

  • 名稱（name）
  • 連接（url）
  • 描述（description）


修改tutorial目錄下的items.py文件，在本來的class後面添加咱們本身的class。

由於要抓dmoz.org網站的內容，因此咱們能夠將其命名爲DmozItem：

 

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  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()  


剛開始看起來可能會有些看不懂，可是定義這些item能讓你用其餘組件的時候知道你的 items究竟是什麼。

能夠把Item簡單的理解成封裝好的類對象。


3.製做爬蟲（Spider）

製做爬蟲，整體分兩步：先爬再取。

也就是說，首先你要獲取整個網頁的全部內容，而後再取出其中對你有用的部分。

3.1爬

Spider是用戶本身編寫的類，用來從一個域（或域組）中抓取信息。

他們定義了用於下載的URL列表、跟蹤連接的方案、解析網頁內容的方式，以此來提取items。

要創建一個Spider，你必須用scrapy.spider.BaseSpider建立一個子類，並肯定三個強制的屬性：

  • name：爬蟲的識別名稱，必須是惟一的，在不一樣的爬蟲中你必須定義不一樣的名字。
  • start_urls：爬取的URL列表。爬蟲從這裏開始抓取數據，因此，第一次下載的數據將會從這些urls開始。其餘子URL將會從這些起始URL中繼承性生成。
  • parse()：解析的方法，調用的時候傳入從每個URL傳回的Response對象做爲惟一參數，負責解析並匹配抓取的數據(解析爲item)，跟蹤更多的URL。

 

這裏能夠參考寬度爬蟲教程中說起的思想來幫助理解，教程傳送：[Java] 知乎下巴第5集：使用HttpClient工具包和寬度爬蟲。

也就是把Url存儲下來並依此爲起點逐步擴散開去，抓取全部符合條件的網頁Url存儲起來繼續爬取。



下面咱們來寫第一隻爬蟲，命名爲dmoz_spider.py，保存在tutorial\spiders目錄下。

dmoz_spider.py代碼以下：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  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是搜索的域名範圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁。

從parse函數能夠看出，將連接的最後兩個地址取出做爲文件名進行存儲。

而後運行一下看看，在tutorial目錄下按住shift右擊，在此處打開命令窗口，輸入：

[plain] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. scrapy crawl dmoz  


運行結果如圖：

報錯了：

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

運行第一個Scrapy項目就報錯，真是命運多舛。

應該是出了編碼問題，谷歌了一下找到了解決方案：

在python的Lib\site-packages文件夾下新建一個sitecustomize.py：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. import sys    
  2. sys.setdefaultencoding('gb2312')    


再次運行，OK，問題解決了，看一下結果：


最後一句INFO: Closing spider (finished)代表爬蟲已經成功運行而且自行關閉了。

包含 [dmoz]的行 ，那對應着咱們的爬蟲運行的結果。

能夠看到start_urls中定義的每一個URL都有日誌行。

還記得咱們的start_urls嗎？

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

由於這些URL是起始頁面，因此他們沒有引用(referrers)，因此在它們的每行末尾你會看到 (referer: <None>)。

在parse 方法的做用下，兩個文件被建立：分別是 Books 和 Resources，這兩個文件中有URL的頁面內容。


那麼在剛剛的電閃雷鳴之中到底發生了什麼呢？

首先，Scrapy爲爬蟲的 start_urls屬性中的每一個URL建立了一個 scrapy.http.Request 對象 ，並將爬蟲的parse 方法指定爲回調函數。

而後，這些 Request被調度並執行，以後經過parse()方法返回scrapy.http.Response對象，並反饋給爬蟲。


3.2取

爬取整個網頁完畢，接下來的就是的取過程了。

光存儲一整個網頁仍是不夠用的。

在基礎的爬蟲裏，這一步能夠用正則表達式來抓。

在Scrapy裏，使用一種叫作 XPath selectors的機制，它基於 XPath表達式。

若是你想了解更多selectors和其餘機制你能夠查閱資料：點我點我


這是一些XPath表達式的例子和他們的含義

  • /html/head/title: 選擇HTML文檔<head>元素下面的<title> 標籤。
  • /html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內容
  • //td: 選擇全部 <td> 元素
  • //div[@class="mine"]: 選擇全部包含 class="mine" 屬性的div 標籤元素

以上只是幾個使用XPath的簡單例子，可是實際上XPath很是強大。

能夠參照W3C教程：點我點我。


爲了方便使用XPaths，Scrapy提供XPathSelector 類，有兩種能夠選擇，HtmlXPathSelector(HTML數據解析)和XmlXPathSelector(XML數據解析)。

必須經過一個 Response 對象對他們進行實例化操做。

你會發現Selector對象展現了文檔的節點結構。所以，第一個實例化的selector必與根節點或者是整個目錄有關 。

在Scrapy裏面，Selectors 有四種基礎的方法（點擊查看API文檔）：

  • xpath()：返回一系列的selectors，每個select表示一個xpath參數表達式選擇的節點
  • css()：返回一系列的selectors，每個select表示一個css參數表達式選擇的節點
  • extract()：返回一個unicode字符串，爲選中的數據
  • re()：返回一串一個unicode字符串，爲使用正則表達式抓取出來的內容


3.3xpath實驗

下面咱們在Shell裏面嘗試一下Selector的用法。

實驗的網址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/



熟悉完了實驗的小白鼠，接下來就是用Shell爬取網頁了。

進入到項目的頂層目錄，也就是第一層tutorial文件夾下，在cmd中輸入：

 

[plain] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/  


回車後能夠看到以下的內容：

 


在Shell載入後，你將得到response迴應，存儲在本地變量 response中。

因此若是你輸入response.body，你將會看到response的body部分，也就是抓取到的頁面內容：


或者輸入response.headers 來查看它的 header部分：



如今就像是一大堆沙子握在手裏，裏面藏着咱們想要的金子，因此下一步，就是用篩子搖兩下，把雜質出去，選出關鍵的內容。

selector就是這樣一個篩子。

在舊的版本中，Shell實例化兩種selectors，一個是解析HTML的 hxs 變量，一個是解析XML 的 xxs 變量。

而如今的Shell爲咱們準備好的selector對象，sel，能夠根據返回的數據類型自動選擇最佳的解析方案(XML or HTML)。

而後咱們來搗弄一下！~

要完全搞清楚這個問題，首先先要知道，抓到的頁面究竟是個什麼樣子。

好比，咱們要抓取網頁的標題，也就是<title>這個標籤：


能夠輸入：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. sel.xpath('//title')  


結果就是：


這樣就能把這個標籤取出來了，用extract()和text()還能夠進一步作處理。

備註：簡單的羅列一下有用的xpath路徑表達式：

 

表達式 描述
nodename 選取此節點的全部子節點。
/ 從根節點選取。
// 從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。
. 選取當前節點。
.. 選取當前節點的父節點。
@ 選取屬性。


所有的實驗結果以下，In[i]表示第i次實驗的輸入，Out[i]表示第i次結果的輸出（建議你們參照：W3C教程）：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  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這個標籤對咱們來講沒有太多的價值，下面咱們就來真正抓取一些有意義的東西。

使用火狐的審查元素咱們能夠清楚地看到，咱們須要的東西以下：



咱們能夠用以下代碼來抓取這個<li>標籤：

 

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. sel.xpath('//ul/li')  

從<li>標籤中，能夠這樣獲取網站的描述：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. sel.xpath('//ul/li/text()').extract()  




能夠這樣獲取網站的標題：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. sel.xpath('//ul/li/a/text()').extract()  


能夠這樣獲取網站的超連接：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. sel.xpath('//ul/li/a/@href').extract()  


固然，前面的這些例子是直接獲取屬性的方法。

咱們注意到xpath返回了一個對象列表，

那麼咱們也能夠直接調用這個列表中對象的屬性挖掘更深的節點

（參考：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實戰

咱們用shell作了這麼久的實戰，最後咱們能夠把前面學習到的內容應用到dmoz_spider這個爬蟲中。

在原爬蟲的parse函數中作以下修改：

 

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  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，咱們從scrapy.selector中導入了Selector類，而且實例化了一個新的Selector對象。這樣咱們就能夠像Shell中同樣操做xpath了。

咱們來試着輸入一下命令運行爬蟲（在tutorial根目錄裏面）：

scrapy crawl dmoz

 

運行結果以下：

果真，成功的抓到了全部的標題。可是好像不太對啊，怎麼Top，Python這種導航欄也抓取出來了呢？

咱們只須要紅圈中的內容：


看來是咱們的xpath語句有點問題，沒有僅僅把咱們須要的項目名稱抓取出來，也抓了一些無辜的可是xpath語法相同的元素。

審查元素咱們發現咱們須要的<ul>具備class='directory-url'的屬性，

那麼只要把xpath語句改爲sel.xpath('//ul[@class="directory-url"]/li')便可

將xpath語句作以下調整：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  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  


成功抓出了全部的標題，絕對沒有濫殺無辜：


3.5使用Item

接下來咱們來看一看如何使用Item。

前面咱們說過，Item 對象是自定義的python字典，可使用標準字典語法獲取某個屬性的值：

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. >>> item = DmozItem()  
  2. >>> item['title'] = 'Example title'  
  3. >>> item['title']  
  4. 'Example title'  


做爲一隻爬蟲，Spiders但願能將其抓取的數據存放到Item對象中。爲了返回咱們抓取數據，spider的最終代碼應當是這樣:

 

[python] view plain copy 在CODE上查看代碼片派生到個人代碼片
  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.存儲內容（Pipeline）

保存信息的最簡單的方法是經過Feed exports，主要有四種：JSON，JSON lines，CSV，XML。

咱們將結果用最經常使用的JSON導出，命令以下：


[plain] view plain copy 在CODE上查看代碼片派生到個人代碼片
  1. scrapy crawl dmoz -o items.json -t json  


-o 後面是導出文件名，-t 後面是導出類型。

而後來看一下導出的結果，用文本編輯器打開json文件便可（爲了方便顯示，在item中刪去了除了title以外的屬性）：




由於這個只是一個小型的例子，因此這樣簡單的處理就能夠了。

若是你想用抓取的items作更復雜的事情，你能夠寫一個 Item Pipeline(條目管道)。

這個咱們之後再慢慢玩^_^

相關文章
相關標籤/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。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 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