Python爬虫开发第1篇Scrapy入门
Posted Nice1949
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爬虫开发第1篇Scrapy入门相关的知识,希望对你有一定的参考价值。
Scrapy的安装介绍
Scrapy框架官方网址:http://doc.scrapy.org/en/latest
Scrapy中文维护站点:http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
Windows 安装方式
- Python 2 / 3
- 升级pip版本:
pip install --upgrade pip
- 通过pip 安装 Scrapy 框架
pip install Scrapy
具体Scrapy安装流程参考:http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes
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)
1.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 mySpider
- 创建项目mySpider,目录及主要文件作用:
-
- scrapy.cfg :项目的配置文件
-
mySpider/ :项目的Python模块,将会从这里引用代码
-
mySpider/items.py :项目的目标文件
-
mySpider/pipelines.py :项目的管道文件
-
mySpider/settings.py :项目的设置文件mySpider/spiders/ :存储爬虫代码目录
2.明确目标(mySpider/items.py)
目标:抓取http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息
步骤:
-
打开mySpider目录下的items.py
-
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。
-
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)。
-
接下来,创建一个ItcastItem 类,和构建item模型(model)。
import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() level = scrapy.Field() info = scrapy.Field()
3.制作爬虫 (spiders/itcastSpider.py)
①.爬数据
在当前目录下输入命令,将在mySpider/spider
目录下创建一个名为itcast
的爬虫,并指定爬取域的范围:
scrapy genspider itcast "itcast.cn"
打开 mySpider/spider目录里的 itcast.py,默认增加了下列代码:
import scrapy class ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( ‘http://www.itcast.cn/‘, ) def parse(self, response): pass
要建立一个Spider, 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。
A:name = ""
,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。
B:allow_domains = []
,搜索的域名范围,即爬虫的约束区域,规定爬虫只爬不存在的URL会被忽略。
C:start_urls = ()
,爬取的URL元组/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。
D:parse(self, response),
解析方法,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:
-
- 负责解析返回的网页数据(response.body),提取结构化数据(生成item)
- 生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个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)
运行程序,即可得到爬取的网页信息
②.取数据
爬取整个网页完毕,接下来的就是取数据
观察网页源码样式,选择合适方法提取数据
将之前在mySpider/items.py 里定义的ItcastItem类引入 :
from mySpider.items import ItcastItem
将得到的数据封装到一个 ItcastItem
对象中,可以保存每个老师的属性:
from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 items = [] for each in response.xpath("//div[@class=‘li_txt‘]"): # 将我们得到的数据封装到一个 `ItcastItem` 对象 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返回的是包含一个元素的列表 item[‘name‘] = name[0] item[‘title‘] = title[0] item[‘info‘] = info[0] items.append(item) # 直接返回最后数据 return items
③.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 itcast -o teachers.json # json lines格式,默认为Unicode编码 scrapy crawl itcast -o teachers.jsonl # csv 逗号表达式,可用Excel打开 scrapy crawl itcast -o teachers.csv # xml格式 scrapy crawl itcast -o teachers.xml
以上是关于Python爬虫开发第1篇Scrapy入门的主要内容,如果未能解决你的问题,请参考以下文章
scrapy框架爬虫爬取糗事百科 之 Python爬虫从入门到放弃第不知道多少天
爬虫入门:Firefox 结合 Scrapy Shell 爬取网页数据