Python爬虫Scrapy_入门案例

Posted 小破孩

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python爬虫Scrapy_入门案例相关的知识,希望对你有一定的参考价值。

本章将从案例开始介绍python scrapy框架,更多内容请参考:python学习指南

入门案例

学习目标

  • 创建一个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)

  • 在开始爬取之前,必须创建一个新的Scrapy项目。进入自定义的项目目录中,运行下列命令:
scrapy startproject cnblogSpider
  • 其中,cnblogSpider为项目名称,可以看到将会创建一个cnblogSpider文件夹,目录结构大致如下:

scrapy目录结构

scrapy.cfg:项目部署文件
cnblogSpider/: 该项目的python模块,之后可以在此加入代码
cnblogSpider/items.py: 项目中的item文件。
cnblogSpider/pipelines.py: 项目中的Pipelines文件。
cnblogSpider/settings.py: 项目的配置文件。
cnblogSpider/spiders/: 放置Spider代码的目录。

二、明确目标(mySpider/items.py)

我们打算抓取:"http://www.cnblogs.com/miqi1992/default.html?page=2" 网站里博客地址、标题、创建时间、文本。

  1. 打开cnblogSpider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,但是提供了一些额外的保护减少错误。

  3. 可以通过创建一个scrapy.item类,并且定义类型为scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。

  4. 接下来,创建一个CnblogspiderItem类,和模型item模型(model)。

import scrapy


class CnblogspiderItem(scrapy.Item):
    # define the fields for your item here like:
    url = scrapy.Field()
    time = scrapy.Field()
    title = scrapy.Field()
    content = scrapy.Field()

三、制作爬虫(spiders/cnblogsSpider.py)

爬虫功能主要分两步:

1. 爬数据

  • 在当前目录下输入命令,将在cnblogSpider/spiders目录下创建一个名为cnblog的爬虫,并制定爬取域的范围:
scrapy genspider cnblog "cnblogs.com"
  • 打开cnblogSpider/spiders目录下的cnblog,默认增加了下列代码:
# -*- coding: utf-8 -*-
import scrapy


class CnblogSpider(scrapy.Spider):
    name = \'cnblog\'
    allowed_domains = [\'cnblogs.com\']
    start_urls = [\'http://cnblogs.com/\']

    def parse(self, response):
        pass

其实也可以由我们自行创建cnblog.py并编写上面的代码,只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider,你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性和一个方法。

  • name = "": 这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。
  • 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。爬虫从这里开始爬取数据,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(self, response):解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:
    1. 负责解析返回的网页数据(respose.body),提取结构化数据(生成item)
    2. 生成需要下一页的URL请求

将start_urls的值改为需要爬取的第一个url

start_urls=("http://www.cnblogs.com/miqi1992/default.html?page=2")

修改parse()方法

def parse(self, response):
    filename = "cnblog.html"
    with open(filename, \'w\') as f:
        f.write(response.body)

然后运行一下看看,在cnblogSpider目录下运行:

scrapy crawl cnblog

是的,就是cnblog,看上面代码,它是CnblogSpider类的name属性,也就是scrapy genspider命令的唯一爬虫名。

运行之后,如果打印的日志出现[scrapy]INFO: Spider closed(finished),代表执行完成。之后当前文件夹中就出现了一个cnblog.html文件,里面就是我们刚刚要爬取的网页的全部源代码信息。

#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,可能会造成乱码;
#我们可以指定保存内容的编码格式,一般情况下,我们可以在代码最上方添加:
import os
reload(sys)
sys.setdefaultencoding(\'utf-8\')
#这三行代码是Python2.x里面解决中文编码的万能钥匙,警告这么多年的吐槽后Python3学乖了,默认编码是Unicode了

2.爬数据

  • 爬取整个网页完毕,接下来就是取过程了,首先观察页面源码:
    页面结构
<div class="day">
    <div class="dayTitle">...</div>
    <div class="postTitle">...</div>
    <div class="postCon">...</div>
</div>
  • XPath表达式如下:
    • 所有文章:.//*[@class=\'day\']
    • 文章发表时间:.//*[@class=\'dayTitle\']/a/text()
    • 文章标题内容:.//*[@class=\'postTitle\']/a/text()
    • 文章摘要内容:.//*[@class=\'postCon\']/div/text()
    • 文章链接:.//*[@class=\'postTitle\']/a/@href

是不是一目了然?直接上XPath开始提取数据吧。

  • 我们之前在cnblogSpider/items.py里定义了一个CnblogItem类。这里引入进来
from cnblogSpider.items import CnblogspiderItem
  • 然后将我们得到的数据封装到一个CnblogspiderItem对象中,可以保存每个博客的属性:

form cnblogSpider.items import CnblogspiderItem

def parse(self, response):
        # print(response.body)
        # filename = "cnblog.html"
        # with open(filename, \'w\') as f:
        #     f.write(response.body)

        #存放博客的集合
        items = []

        for each in response.xpath(".//*[@class=\'day\']"):
            item = CnblogspiderItem()
            url = each.xpath(\'.//*[@class="postTitle"]/a/@href\').extract()[0]
            title = each.xpath(\'.//*[@class="postTitle"]/a/text()\').extract()[0]
            time = each.xpath(\'.//*[@class="dayTitle"]/a/text()\').extract()[0]
            content = each.xpath(\'.//*[@class="postCon"]/div/text()\').extract()[0]

            item[\'url\'] = url
            item[\'title\'] = title
            item[\'time\'] = time
            item[\'content\'] = content 
            
            items.append(item)

        #直接返回最后数据
        return items
  • 我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,命令如下:

#json格式,默认为Unicode编码
scrapy crawl cnblog -o cnblog.json

#json lines格式,默认为Unicode编码
scrapy crawl cnblog -o cnblog.jsonl

#csv逗号表达式,可用excel打开
scrapy crawl cnblog -o cnblog.csv

#xml格式
scrapy crawl cnblog -o cnblog.xml

思考

如果将代码改成下面形式,结果完全一样

请思考yield在这里的作用:

form cnblogSpider.items import CnblogspiderItem

def parse(self, response):
        # print(response.body)
        # filename = "cnblog.html"
        # with open(filename, \'w\') as f:
        #     f.write(response.body)

        #存放博客的集合
        # items = []

        for each in response.xpath(".//*[@class=\'day\']"):
            item = CnblogspiderItem()
            url = each.xpath(\'.//*[@class="postTitle"]/a/@href\').extract()[0]
            title = each.xpath(\'.//*[@class="postTitle"]/a/text()\').extract()[0]
            time = each.xpath(\'.//*[@class="dayTitle"]/a/text()\').extract()[0]
            content = each.xpath(\'.//*[@class="postCon"]/div/text()\').extract()[0]

            item[\'url\'] = url
            item[\'title\'] = title
            item[\'time\'] = time
            item[\'content\'] = content 
            
            # items.append(item)
            #将获取到的数据交给pipelines
            yield item

        #直接返回最后数据,不经过pipelines
        #return items

参考:

  1. Python参考手册

以上是关于Python爬虫Scrapy_入门案例的主要内容,如果未能解决你的问题,请参考以下文章

scrapy按顺序启动多个爬虫代码片段(python3)

scrapy主动退出爬虫的代码片段(python3)

如何入门 Python 爬虫

Python爬虫_Scrapy

新手必学Python爬虫之Scrapy框架案例详解

新手必学Python爬虫之Scrapy框架案例详解