Python Scrapy爬虫框架之初次使用

Posted 2020-12-24 StarMan

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 Scrapy爬虫框架之初次使用相关的知识，希望对你有一定的参考价值。

此篇博客为本人对小甲鱼的课程的总结。

关于Scrapy的安装网上都有方法，这里便不再叙述。

使用Scrapy抓取一个网站一共需要四个步骤：

0、创建一个Scrapy项目；

1、定义Item容器；

2、编写爬虫；

3、存储内容。

本次爬取的目标是全球最大的目录网站http://www.dmoztools.net，由于此网站数据过于庞大，我们这里只拿它的两个子网页做测试（手动捂脸）

http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/

http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/

我们需要爬取的是子网页 http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/ 中的名单、超链接、名单描述。

---

0、创建一个Scrapy项目

首先打开cmd窗口输入以下命令将路径移到桌面（其他位置也可以）

cd desktop

然后创建一个Scrapy项目。继续在命令行中输入以下命令，（命令执行后请暂时不用关闭命令行，等下要用）

scrapy startproject tutorial

（创建一个新的Scrapy项目文件夹，文件夹的名字叫tutorial）文件夹中会有一个scrapy.cfg的配置文件和一个tutorial的子文件夹，tutorial文件夹中有如下内容：

0、__init__.py 这个不用多说，是模块的初始化，不用管

1、items.py 项目的容器

2、pipelines.py

3、settings.py 设置文件

4、spiders/ 文件夹，里面只有一个初始化文件__init__.py ,这里需要我们来完善。

等等文件（可能还有一些其他的文件，这里不多叙述）

1、定义Item容器

item容器是什么呢？item容器是保存爬取到的数据的容器，其使用方法和python字典类似，并且提供了额外的保护机制来避免拼写错误导致的未定义字段错误。

接下来我们要建模。为什么要建模呢？因为item容器是用来存放我们爬取到的网页内容，当爬取的时候返回的是整个网页的内容，而往往我们只是需要其中的一部分内容比如这里的网页 http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/ ，我们只需要他的书名、描述、与超链接。

所以这里我们需要改动item容器，打开 tutorial/item.py ，将其中的TutorialItem模块内容改为以下内容并写好注释：

class TutorialItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()  #标题
    link = scrapy.Field()   #超链接
    desc = scrapy.Field()   #描述

保存退出。

2、编写爬虫

接下来是编写爬虫类Spider，Spider是用户编写用于从网站上爬取数据的类。

其包含了一个用于下载的初始URL，然后是如何跟进网页中的链接以及如何分析页面中的内容，还有提取生成item的方法。

接下来我们在Spider文件夹中新建一个叫 dmoz_spider.py 的文件，编写以下代码：（其中name是本次的项目名）

import scrapy

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    #allowed_domains是为了防止在爬取的时候进入了其他网站
    allowed_domains = [\'dmoztools.net\']
    #初始爬取位置
    star_url = [
        \'http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/\'
        \'http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/\'
        ]
    
    #定义一个分析方法
    def parse(self, response):
        filename = response.url.split("/")[-2]
        with open(filename, \'wb\') as f:
            f.write(response,body)

保存关闭。代码解释（解释的不是很好，大概意思理解就行，不喜勿喷）：

在本地目录下创建两个文件，叫做Books和Resource，然后将start_url中的两个初始网址提交给Scrapy引擎，Scrapy引擎中有下载器，会将网站的源代码下载过来，然后根据parse方法将下载的内容存放到Books和Resource中。

接下来继续进入刚才的cmd窗口，输入以下命令将路径切换到tutorial文件夹中：

cd tutorial

继续在命令行输入以下命令：

scrapy crawl dmoz

其中crawl是爬取的意思，dmoz是项目名。

然后输入回车执行。成功的话将会出现以下信息：

并且命令执行后在当前目录会生成两个新的文件，叫做Books和Resource。两个文件的内容就是爬取到的网站内容（即网站的源代码）。

3、存储内容

以往我们在爬取网页内容的时候都是使用的html的正则表达式，但是在Scrapy中是使用一种基于Xpath和CSS的表达式机制：Scrapy Selectors

Selectors是一个选择器，它有四个基本的方法：

xpath()：传入spath表达式，返回该表达式所对应的所有节点的selector list列表

css()：传入CSS表达式，返回该表达式所对应的所有节点的selector list列表

extract()：序列化该节点为unicode字符串并返回list

re()：根据传入的正则表达式对数据进行提取，返回unicode字符串list列表

存储数据之前我们先进去scrapy的shell窗口进行测试。继续对刚才的cmd窗口进行操作，输入以下命令进入shell窗口：

scrapy shell "http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/"

目的是进入该网站的scrapy shell窗口，界面如下：

此时我们便可以对他进行操作。

其实这是返回我们刚才的response对象，我们可以对他进行一系列操作，比如response.body命令将会出现该网站的源代码，response.headers命令会出现网站的头配置等等

现在我们列举几个该对象的使用方法：

/html/head/title：选择html文档中<head>标签内的<title>元素；

/html/head/title/text()：选择上面提到的<title>元素的文字；

//td：选择所有的<td>元素；

//div[@class=\'mine\']：选择所有具有class=\'mine\'属性的div元素。

此时shell窗口中还有一个返回对象sel，接下来我们进行查找名单的测试。

输入命令：（以下出现的路径请自行检查网页内容进行查看，右键点击网页对象选择检查即可出现）

sel.xpath(\'//section/div/div/div/div/a/div/text()\').extract()

执行后将会返回网页中的所有名单，图如下：

同样，输入命令以下命令将会返回所有名单的超链接和描述

sel.xpath(\'//section/div/div/div/div/a/@href\').extract() 　　//返回超链接

sel.xpath(\'//section/div/div/div/div/a/div/text()\').extract()　　　　//返回名单描述

好，测试完了之后我们来继续编写代码。

现在我们来对爬取内容进行筛选

打开编辑我们刚才编写的 dmoz_spider.py 文件，将内容改为以下内容

import scrapy

from tutorial.items import TutorialItem #引入模块

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    #allowed_domains是为了防止在爬取的时候进入了其他网站
    allowed_domains = [\'dmoztools.net\']
    #初始爬取位置
    start_urls = [
        \'http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/\',
        \'http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/\'
        ]
    
    #定义一个分析方法
    def parse(self, response):
        sel = scrapy.selector.Selector(response) #分析返回的response对象
        #//section/div/div/div/div/a/div/text()
        sites = sel.xpath(\'//section/div/div/div/div\')    #对内容进行筛选
        items = []    
        for site in sites:    #对爬取内容进行进一步筛选
            item = TutorialItem()
            item[\'title\'] = site.xpath(\'a/div/text()\').extract()
            item[\'link\'] = site.xpath(\'a/@href\').extract()
            item[\'desc\'] = site.xpath(\'div/text()\').extract()
            items.append(item)    #将筛选后的内容添加到列表items中
            
        return items