[Python] 웹 크롤러(12): 크롤러 프레임워크 Scrapy의 첫 번째 크롤러 예제 시작하기

우리는 Xiaozhuazhua가 자신의 실력을 뽐낼 수 있는 플랫폼으로 dmoz.org 웹사이트를 사용합니다.

우선 질문에 답해야겠습니다.

Q: 크롤러에 웹사이트를 설치하려면 몇 단계를 거쳐야 하나요?

답은 매우 간단합니다. 4단계:

새 프로젝트(프로젝트): 새 크롤러 프로젝트 만들기

명확한 목표(항목): 크롤링하려는 항목 지우기 목표

크롤러 만들기(스파이더): 웹 페이지 크롤링을 시작하는 크롤러 만들기

콘텐츠 저장(파이프라인): 크롤링된 콘텐츠를 저장할 파이프라인 설계

자, 이제 기본적인 과정은 결정되었으니 차근차근 마무리하시면 됩니다.

1. 새 프로젝트(Project)를 생성합니다

Shift 키를 누른 채 빈 디렉터리를 마우스 오른쪽 버튼으로 클릭하고 "여기에서 명령 창 열기"를 선택합니다. "를 입력하고 다음 명령을 입력합니다.

scrapy startproject tutorial

여기서 tutorial은 프로젝트 이름입니다.

다음과 같은 디렉터리 구조로 튜토리얼 폴더가 생성되는 것을 확인할 수 있습니다.

tutorial/  
    scrapy.cfg  
    tutorial/  
        __init__.py  
        items.py  
        pipelines.py  
        settings.py  
        spiders/  
            __init__.py  
            ...

다음은 각 파일의 역할을 간략히 소개합니다.

• scrapy.cfg: 프로젝트 구성 파일
  

• tutorial/: 프로젝트의 Python 모듈, 코드는 여기에서 참조됩니다.

• tutorial /items.py: 프로젝트 항목 파일

• tutorial/pipelines.py: 프로젝트 파이프라인 파일

• tutorial/settings. py: 프로젝트 설정 파일

• tutorial/spiders/: 크롤러가 저장되는 디렉터리

2. 목표 지우기( 항목)

Scrapy에서 항목은 크롤링된 콘텐츠를 로드하는 데 사용되는 컨테이너입니다. 이는 사전인 Python의 Dic과 비슷하지만 오류를 줄이기 위해 몇 가지 추가 보호 기능을 제공합니다.

일반적으로 항목은 scrapy.item.Item 클래스를 사용하여 생성할 수 있으며, 속성은 scrapy.item.Field 객체를 사용하여 정의할 수 있습니다(ORM과 유사한 매핑 관계로 이해 가능).

다음으로 아이템 모델 구축을 시작합니다.

우선 원하는 콘텐츠는

• 이름(name)

• 링크(url)

• 설명

튜토리얼 디렉터리의 items.py 파일을 수정하고 원본 클래스 뒤에 추가합니다. 자신의 수업.

dmoz.org 웹사이트의 콘텐츠를 캡처하려고 하므로 이름을 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()

처음에는 다소 혼란스러워 보일 수 있지만 이러한 항목을 정의하면 다음을 수행할 수 있습니다. 다른 구성 요소를 사용하여 항목이 무엇인지 알아보세요.

Item은 간단히 캡슐화된 클래스 객체로 이해될 수 있습니다.

3. 크롤러(스파이더) 만들기

크롤러를 만들려면 먼저 크롤링한 다음 가져오는 두 단계가 있습니다.

즉, 먼저 전체 웹 페이지의 모든 콘텐츠를 가져온 다음 유용한 부분을 꺼내야 합니다.

3.1 크롤링

Spider는 사용자가 도메인(또는 도메인 그룹)의 정보를 크롤링하기 위해 작성한 클래스입니다.

다운로드용 URL 목록, 링크 추적 구성표, 웹 콘텐츠를 구문 분석하여 항목을 추출하는 방법을 정의합니다.

Spider를 만들려면 scrapy.spider.BaseSpider를 사용하여 하위 클래스를 만들고 세 가지 필수 속성을 결정해야 합니다.

name: 고유해야 하는 크롤러의 식별 이름입니다. 서로 다른 크롤러에서 서로 다른 이름을 정의합니다.

start_urls: 크롤링된 URL 목록입니다. 크롤러는 여기에서 데이터를 가져오기 시작하므로 첫 번째 데이터 다운로드는 이 URL에서 시작됩니다. 다른 하위 URL은 이러한 시작 URL에서 상속되어 생성됩니다.

parse(): 구문 분석 방법. 호출 시 각 URL에서 반환된 응답 개체를 유일한 매개변수로 전달합니다. 캡처된 데이터(항목으로 구문 분석됨)를 구문 분석하고 일치시키며 더 많은 것을 추적합니다. URL.

이해를 돕기 위해 너비 크롤러 튜토리얼에 언급된 아이디어를 참조할 수 있습니다. 튜토리얼 제공: [Java] Zhihu Chin 에피소드 5: HttpClient 툴킷 및 너비 크롤러 사용.

즉, Url이 저장되고 이를 기점으로 점차 확산되어 조건에 맞는 웹페이지 URL을 모두 잡아서 저장하여 크롤링을 계속하게 됩니다.

dmoz_spider.py라는 첫 번째 크롤러를 작성하고 tutorialspiders 디렉터리에 저장해 보겠습니다.

dmoz_spider.py 코드는 다음과 같습니다.

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_domains는 검색할 도메인 이름 범위이며 크롤러의 제약 영역이기도 합니다. 도메인 이름.

파싱 기능을 보면 알 수 있듯이 링크의 마지막 두 주소를 빼내어 파일명으로 저장합니다.

보고된 오류:

UnicodeDecodeError: 'ascii' 코덱이 위치 1의 바이트 0xb0을 디코딩할 수 없습니다: 서수가 범위에 없습니다(128 )

실행 첫 번째 Scrapy 프로젝트에서 정말 불운한 오류를 보고했습니다.

코딩 문제가 있을 것입니다. Google에서 검색한 후 해결책을 찾았습니다.

Libsite-packages 폴더에 새 sitecustomize.py를 만듭니다. python :

scrapy crawl dmoz

다시 실행해 보세요. 문제가 해결되었습니다. 결과를 살펴보세요.

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: )。

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

元素下面的'] In [3]: sel.xpath('//title/text()') Out[3]: [] 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：

我们可以用如下代码来抓取这个

标签：

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

从

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 theSelectors）：

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：

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：

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

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：



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）：



작은 예시이므로 간단한 처리만으로도 충분합니다.

캡처한 항목으로 더 복잡한 작업을 수행하려면 항목 파이프라인을 작성하면 됩니다.

앞으로 천천히 다루겠습니다^_^

위는 [Python] Web Crawler 내용입니다(12): 크롤러 프레임워크 Scrapy의 첫 번째 크롤러 예제 입문 튜토리얼, 관련 내용은 PHP 중국어 홈페이지(www.php.cn)를 참고해주세요!