Scrapy框架----- 入門案例

入門案例

學習目標

• 建立一個Scrapy項目
• 定義提取的結構化數據(Item)
• 編寫爬取網站的 Spider 並提取出結構化數據(Item)
• 編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)

一. 新建項目(scrapy startproject)

• 在開始爬取以前，必須建立一個新的Scrapy項目。進入自定義的項目目錄中，運行下列命令：

scrapy startproject mySpider

• 其中， mySpider 爲項目名稱，能夠看到將會建立一個 mySpider 文件夾，目錄結構大體以下：

•  

下面來簡單介紹一下各個主要文件的做用：

scrapy.cfg ：項目的配置文件

mySpider/ ：項目的Python模塊，將會從這裏引用代碼

mySpider/items.py ：項目的目標文件

mySpider/pipelines.py ：項目的管道文件

mySpider/settings.py ：項目的設置文件

mySpider/spiders/ ：存儲爬蟲代碼目錄

2、明確目標(mySpider/items.py)

咱們打算抓取：http://www.itcast.cn/channel/teacher.shtml 網站裏的全部講師的姓名、職稱和我的信息。

1. 打開mySpider目錄下的items.py

2. Item 定義結構化數據字段，用來保存爬取到的數據，有點像Python中的dict，可是提供了一些額外的保護減小錯誤。

3. 能夠經過建立一個 scrapy.Item 類， 而且定義類型爲 scrapy.Field的類屬性來定義一個Item（能夠理解成相似於ORM的映射關係）。

4. 接下來，建立一個ItcastItem 類，和構建item模型（model）。

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

3、製做爬蟲 （spiders/itcastSpider.py）

爬蟲功能要分兩步：

1. 爬數據

• 在當前目錄下輸入命令，將在mySpider/spider目錄下建立一個名爲itcast的爬蟲，並指定爬取域的範圍：

scrapy genspider itcast "itcast.cn"

• 打開 mySpider/spider目錄裏的 itcast.py，默認增長了下列代碼:

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

其實也能夠由咱們自行建立itcast.py並編寫上面的代碼，只不過使用命令能夠免去編寫固定代碼的麻煩

要創建一個Spider， 你必須用scrapy.Spider類建立一個子類，並肯定了三個強制的屬性 和 一個方法。

• name = "" ：這個爬蟲的識別名稱，必須是惟一的，在不一樣的爬蟲必須定義不一樣的名字。

• 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，不存在的URL會被忽略。

• start_urls = () ：爬取的URL元祖/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(self, response) ：解析的方法，每一個初始URL完成下載後將被調用，調用的時候傳入從每個URL傳回的Response對象來做爲惟一參數，主要做用以下：

  1. 負責解析返回的網頁數據(response.body)，提取結構化數據(生成item)
  2. 生成須要下一頁的URL請求。

將start_urls的值修改成須要爬取的第一個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) 

而後運行一下看看，在mySpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的惟一爬蟲名。

運行以後，若是打印的日誌出現 [scrapy] INFO: Spider closed (finished)，表明執行完成。 以後當前文件夾中就出現了一個 teacher.html 文件，裏面就是咱們剛剛要爬取的網頁的所有源代碼信息。

# 注意，Python2.x默認編碼環境是ASCII，當和取回的數據編碼格式不一致時，可能會形成亂碼； # 咱們能夠指定保存內容的編碼格式，通常狀況下，咱們能夠在代碼最上方添加： import sys reload(sys) sys.setdefaultencoding("utf-8") # 這三行代碼是Python2.x裏解決中文編碼的萬能鑰匙，通過這麼多年的吐槽後Python3學乖了，默認編碼是Unicode了...(祝你們早日擁抱Python3) 

---

2. 取數據

• 爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：

•  

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

是否是一目瞭然？直接上XPath開始提取數據吧。

• 咱們以前在mySpider/items.py 裏定義了一個ItcastItem類。 這裏引入進來

from mySpider.items import ItcastItem 

• 而後將咱們獲得的數據封裝到一個 ItcastItem 對象中，能夠保存每一個老師的屬性：

from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老師信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 將咱們獲得的數據封裝到一個 `ItcastItem` 對象 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返回的是包含一個元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最後數據 return items 

• 咱們暫時先不處理管道，後面會詳細介紹。

保存數據

scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，，命令以下：

# json格式，默認爲Unicode編碼 scrapy crawl itcast -o teachers.json # json lines格式，默認爲Unicode編碼 scrapy crawl itcast -o teachers.jsonl # csv 逗號表達式，可用Excel打開 scrapy crawl itcast -o teachers.csv # xml格式 scrapy crawl itcast -o teachers.xml 

---

思考

若是將代碼改爲下面形式，結果徹底同樣。

請思考 yield 在這裏的做用：

from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老師信息的集合 #items = [] for each in response.xpath("//div[@class='li_txt']"): # 將咱們獲得的數據封裝到一個 `ItcastItem` 對象 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返回的是包含一個元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] #items.append(item) #將獲取的數據交給pipelines yield item # 返回數據，不通過pipeline #return items