编程 Python

零基础写python爬虫之使用Scrapy框架编写爬虫

Posted in Python onNovember 07, 2014

网络爬虫，是在网上进行数据抓取的程序，使用它能够抓取特定网页的HTML数据。虽然我们利用一些库开发一个爬虫程序，但是使用框架可以大大提高效率，缩短开发时间。Scrapy是一个使用Python编写的，轻量级的，简单轻巧，并且使用起来非常的方便。使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。

首先先要回答一个问题。
问：把网站装进爬虫里，总共分几步？
答案很简单，四步：
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
制作爬虫（Spider）：制作爬虫开始爬取网页
存储内容（Pipeline）：设计管道存储爬取内容

好的，基本流程既然确定了，那接下来就一步一步的完成就可以了。

1.新建项目（Project）
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：

scrapy startproject tutorial

其中，tutorial为项目名称。
可以看到将会创建一个tutorial文件夹，目录结构如下：

tutorial/  

    scrapy.cfg  

    tutorial/  

        __init__.py  

        items.py  

        pipelines.py  

        settings.py  

        spiders/  

            __init__.py  

            ...

下面来简单介绍一下各个文件的作用：
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，但是提供了一些额外的保护减少错误。
一般来说，item可以用scrapy.item.Item类来创建，并且用scrapy.item.Field对象来定义属性（可以理解成类似于ORM的映射关系）。
接下来，我们开始来构建item模型（model）。
首先，我们想要的内容有：
名称（name）
链接（url）
描述（description）

修改tutorial目录下的items.py文件，在原本的class后面添加我们自己的class。
因为要抓dmoz.org网站的内容，所以我们可以将其命名为DmozItem：

# Define here the models for your scraped items  

#  

# See documentation in:  

# http://doc.scrapy.org/en/latest/topics/items.html  

  

from scrapy.item import Item, Field  

  

class TutorialItem(Item):  

    # define the fields for your item here like:  

    # name = Field()  

    pass  

  

class DmozItem(Item):  

    title = Field()  

    link = Field()  

    desc = Field()

刚开始看起来可能会有些看不懂，但是定义这些item能让你用其他组件的时候知道你的 items到底是什么。
可以把Item简单的理解成封装好的类对象。

3.制作爬虫（Spider）

制作爬虫，总体分两步：先爬再取。
也就是说，首先你要获取整个网页的所有内容，然后再取出其中对你有用的部分。
3.1爬
Spider是用户自己编写的类，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、跟踪链接的方案、解析网页内容的方式，以此来提取items。
要建立一个Spider，你必须用scrapy.spider.BaseSpider创建一个子类，并确定三个强制的属性：
name：爬虫的识别名称，必须是唯一的，在不同的爬虫中你必须定义不同的名字。
start_urls：爬取的URL列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子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一个URL传回的Response对象作为唯一参数，负责解析并匹配抓取的数据(解析为item)，跟踪更多的URL。

这里可以参考宽度爬虫教程中提及的思想来帮助理解，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，抓取所有符合条件的网页Url存储起来继续爬取。

下面我们来写第一只爬虫，命名为dmoz_spider.py，保存在tutorial\spiders目录下。
dmoz_spider.py代码如下：

from scrapy.spider import Spider  

  

class DmozSpider(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]  

        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函数可以看出，将链接的最后两个地址取出作为文件名进行存储。
然后运行一下看看，在tutorial目录下按住shift右击，在此处打开命令窗口，输入：

scrapy crawl dmoz

运行结果如图：

零基础写python爬虫之使用Scrapy框架编写爬虫

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：

import sys    

sys.setdefaultencoding('gb2312')

再次运行，OK，问题解决了，看一下结果：

零基础写python爬虫之使用Scrapy框架编写爬虫

最后一句INFO: Closing spider (finished)表明爬虫已经成功运行并且自行关闭了。
包含 [dmoz]的行，那对应着我们的爬虫运行的结果。
可以看到start_urls中定义的每个URL都有日志行。
还记得我们的start_urls吗？
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因为这些URL是起始页面，所以他们没有引用(referrers)，所以在它们的每行末尾你会看到 (referer: <None>)。
在parse 方法的作用下，两个文件被创建：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属性中的每个URL创建了一个 scrapy.http.Request 对象，并将爬虫的parse 方法指定为回调函数。
然后，这些 Request被调度并执行，之后通过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。
光存储一整个网页还是不够用的。
在基础的爬虫里，这一步可以用正则表达式来抓。
在Scrapy里，使用一种叫做 XPath selectors的机制，它基于 XPath表达式。
如果你想了解更多selectors和其他机制你可以查阅资料：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: 选择所有 <td> 元素
//div[@class="mine"]: 选择所有包含 class="mine" 属性的div 标签元素
以上只是几个使用XPath的简单例子，但是实际上XPath非常强大。
可以参照W3C教程：点我点我。

为了方便使用XPaths，Scrapy提供XPathSelector 类，有两种可以选择，HtmlXPathSelector(HTML数据解析)和XmlXPathSelector(XML数据解析)。
必须通过一个 Response 对象对他们进行实例化操作。
你会发现Selector对象展示了文档的节点结构。因此，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，每一个select表示一个xpath参数表达式选择的节点
css()：返回一系列的selectors，每一个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
下面我们在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/

零基础写python爬虫之使用Scrapy框架编写爬虫

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：

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

回车后可以看到如下的内容：

零基础写python爬虫之使用Scrapy框架编写爬虫

在Shell载入后，你将获得response回应，存储在本地变量 response中。
所以如果你输入response.body，你将会看到response的body部分，也就是抓取到的页面内容：

零基础写python爬虫之使用Scrapy框架编写爬虫

或者输入response.headers 来查看它的 header部分：

零基础写python爬虫之使用Scrapy框架编写爬虫

现在就像是一大堆沙子握在手里，里面藏着我们想要的金子，所以下一步，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。
而现在的Shell为我们准备好的selector对象，sel，可以根据返回的数据类型自动选择最佳的解析方案(XML or HTML)。
然后我们来捣弄一下！~
要彻底搞清楚这个问题，首先先要知道，抓到的页面到底是个什么样子。
比如，我们要抓取网页的标题，也就是<title>这个标签：

零基础写python爬虫之使用Scrapy框架编写爬虫

可以输入：

sel.xpath('//title')

结果就是：

零基础写python爬虫之使用Scrapy框架编写爬虫

这样就能把这个标签取出来了，用extract()和text()还可以进一步做处理。
备注：简单的罗列一下有用的xpath路径表达式：
表达式描述
nodename 选取此节点的所有子节点。
/ 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。
全部的实验结果如下，In[i]表示第i次实验的输入，Out[i]表示第i次结果的输出（建议大家参照：W3C教程）：

In [1]: sel.xpath('//title')  

Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]  

  

In [2]: sel.xpath('//title').extract()  

Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']  

  

In [3]: sel.xpath('//title/text()')  

Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]  

  

In [4]: sel.xpath('//title/text()').extract()  

Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']  

  

In [5]: sel.xpath('//title/text()').re('(\w+):')  

Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']

当然title这个标签对我们来说没有太多的价值，下面我们就来真正抓取一些有意义的东西。
使用火狐的审查元素我们可以清楚地看到，我们需要的东西如下：

零基础写python爬虫之使用Scrapy框架编写爬虫

我们可以用如下代码来抓取这个<li>标签：

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

从<li>标签中，可以这样获取网站的描述：

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

可以这样获取网站的标题：

sel.xpath('//ul/li/a/text()').extract()

可以这样获取网站的超链接：

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

当然，前面的这些例子是直接获取属性的方法。
我们注意到xpath返回了一个对象列表，
那么我们也可以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
我们用shell做了这么久的实战，最后我们可以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函数中做如下修改：

from scrapy.spider import Spider  

from scrapy.selector import Selector  

  

class DmozSpider(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):  

        sel = Selector(response)  

        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

注意，我们从scrapy.selector中导入了Selector类，并且实例化了一个新的Selector对象。这样我们就可以像Shell中一样操作xpath了。
我们来试着输入一下命令运行爬虫（在tutorial根目录里面）：

scrapy crawl dmoz

运行结果如下：

零基础写python爬虫之使用Scrapy框架编写爬虫

果然，成功的抓到了所有的标题。但是好像不太对啊，怎么Top，Python这种导航栏也抓取出来了呢？
我们只需要红圈中的内容：

零基础写python爬虫之使用Scrapy框架编写爬虫

看来是我们的xpath语句有点问题，没有仅仅把我们需要的项目名称抓取出来，也抓了一些无辜的但是xpath语法相同的元素。
审查元素我们发现我们需要的<ul>具有class='directory-url'的属性，
那么只要把xpath语句改成sel.xpath('//ul[@class="directory-url"]/li')即可
将xpath语句做如下调整：

from scrapy.spider import Spider  

from scrapy.selector import Selector  

  

class DmozSpider(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):  

        sel = Selector(response)  

        sites = sel.xpath('//ul[@class="directory-url"]/li')  

        for site in sites:  

            title = site.xpath('a/text()').extract()  

            link = site.xpath('a/@href').extract()  

            desc = site.xpath('text()').extract()  

            print title

成功抓出了所有的标题，绝对没有滥杀无辜：

零基础写python爬虫之使用Scrapy框架编写爬虫

3.5使用Item
接下来我们来看一看如何使用Item。
前面我们说过，Item 对象是自定义的python字典，可以使用标准字典语法获取某个属性的值：

>>> item = DmozItem()  

>>> item['title'] = 'Example title'  

>>> item['title']  

'Example title'

作为一只爬虫，Spiders希望能将其抓取的数据存放到Item对象中。为了返回我们抓取数据，spider的最终代码应当是这样:

from scrapy.spider import Spider  

from scrapy.selector import Selector  

  

from tutorial.items import DmozItem  

  

class DmozSpider(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):  

        sel = Selector(response)  

        sites = sel.xpath('//ul[@class="directory-url"]/li')  

        items = []  

        for site in sites:  

            item = DmozItem()  

            item['title'] = site.xpath('a/text()').extract()  

            item['link'] = site.xpath('a/@href').extract()  

            item['desc'] = site.xpath('text()').extract()  

            items.append(item)  

        return items

4.存储内容（Pipeline）
保存信息的最简单的方法是通过Feed exports，主要有四种：JSON，JSON lines，CSV，XML。
我们将结果用最常用的JSON导出，命令如下：

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

零基础写python爬虫之使用Scrapy框架编写爬虫

因为这个只是一个小型的例子，所以这样简单的处理就可以了。
如果你想用抓取的items做更复杂的事情，你可以写一个 Item Pipeline(条目管道)。
这个我们以后再慢慢玩^_^

以上便是python爬虫框架Scrapy制作爬虫抓取网站内容的全部过程了，非常的详尽吧，希望能够对大家有所帮助，有需要的话也可以和我联系，一起进步

零基础写python爬虫之使用Scrapy框架编写爬虫

- Author -

hebedich

声明：登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。

Python 相关文章推荐

Python中使用语句导入模块或包的机制研究

Mar 30 Python

Python返回真假值（True or False）小技巧

Apr 10 Python

Python处理JSON数据并生成条形图

Aug 05 Python

python 每天如何定时启动爬虫任务(实现方法分享)

May 21 Python

python实时获取外部程序输出结果的方法

Jan 12 Python

Python使用Pickle模块进行数据保存和读取的讲解

Apr 09 Python

python3 property装饰器实现原理与用法示例

May 15 Python

Django REST framework 视图和路由详解

Jul 19 Python

Python3分析处理声音数据的例子

Aug 27 Python

python 字典访问的三种方法小结

Dec 05 Python

python3.6使用SMTP协议发送邮件

May 20 Python

Python+OpenCV图像处理——打印图片属性、设置存储路径、调用摄像头

Oct 22 Python

零基础写python爬虫之爬虫框架Scrapy安装配置

Nov 06 #Python

零基础写python爬虫之爬虫编写全记录

Nov 06 #Python

零基础写python爬虫之打包生成exe文件

Nov 06 #Python

零基础写python爬虫之抓取百度贴吧并存储到本地txt文件改进版

Nov 06 #Python

零基础写python爬虫之抓取糗事百科代码分享

Nov 06 #Python

零基础写python爬虫之神器正则表达式

Nov 06 #Python

零基础写python爬虫之抓取百度贴吧代码分享

Nov 06 #Python