[Python]網路爬蟲（12）：爬蟲框架Scrapy的第一個爬蟲範例入門教學

我們使用dmoz.org這個網站來作為小抓抓一展身手的對象。

首先要回答一個問題。

問：把網站裝進爬蟲裡，總共分幾步？

答案很簡單，四步：

新建項目(Project)：新建一個新的爬蟲項目

明確目標（Items）：明確你想要抓取的目標

製作爬蟲（Spider）：製作爬蟲開始爬取網頁

儲存內容（Pipeline）：設計管道儲存爬取內容

好的，基本流程既然確定了，那接下來就一步一步的完成就可以了。

1.新項目（Project）

在空目錄下按住Shift鍵右鍵，選擇“在此處打開命令視窗”，輸入一下命令：

scrapy startproject tutorial

其中，tutorial為項目名稱。

可以看到將會建立一個tutorial資料夾，目錄結構如下：

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

下面來簡單介紹一下各個檔案的作用：

• scrapy.cfg：專案的設定檔
  

• scrapy.cfg：專案的設定檔

  /雜專案的Python模組，將會從這裡引用程式碼

• tutorial/items.py：專案的items檔案

• tutorial/pipelines.py：專案的pipelines文件

  tor🜒
tutorial/pipelines.py：專案的pipelines文件
• .的設定檔

• tutorial/spiders/：儲存爬蟲的目錄

2.明確目標（Item）

在Scrapy

2.明確目標（Item）

在Scrapy，中的Dic，也就是字典，但提供了一些額外的保護減少錯誤。

一般來說，item可以用scrapy.item.Item類別來創建，並且用scrapy.item.Field物件來定義屬性（可以理解成類似於ORM的映射關係）。

接下來，我們開始來建立item模型（model）。

• 首先，我們想要的內容有：

• 名稱（name）

• 連結（url）

文件，在原本的class後面加入我們自己的class。

因為要抓dmoz.org網站的內容，所以我們可以將其命名為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()

剛開始看起來可能會有些看不懂，但是定義這些item能讓你用其他組件的時候知道你的items到底是什麼。

可以把Item簡單的理解成封裝好的類別物件。

3.製作爬蟲（Spider）

製作爬蟲，整體分兩步：先爬再取。

也就是說，首先你要取得整個網頁的所有內容，然後再取出其中對你有用的部分。

3.1爬

Spider是使用者自己寫的類，用來從一個域（或域組）抓取資訊。

他們定義了用於下載的URL列表、追蹤連結的方案、解析網頁內容的方式，以此來提取items。

要建立一個Spider，你必須用scrapy.spider.BaseSpider創建一個子類，並確定三個強制的屬性：

name：爬蟲的識別名稱，必須是唯一的，在不同的爬蟲中你必須定義不同的名字。

start_urls：爬取的URL列表。爬蟲會從這裡開始抓取數據，所以，第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL繼承性產生。

parse()：解析的方法，呼叫的時候傳入從每一個URL傳回的Response物件作為唯一參數，負責解析並匹配抓取的資料(解析為item)，追蹤更多的URL。

 

這裡可以參考寬度爬蟲教程中提及的思想來幫助理解，教程傳送：[Java] 知乎下巴第5集：使用HttpClient工具包和寬度爬蟲。

也就是把Url儲存下來並依此為起點逐步擴散開去，抓取所有符合條件的網頁Url儲存起來繼續爬取。

下面我們來寫第一隻爬蟲，命名為dmoz_spider.py，保存在tutorialspiders目錄下。

dmoz_spider.py代碼如下：

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是搜尋的網域範圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個網域下的網頁。

從parse函數可以看出，將連結的最後兩個位址取出作為檔案名稱進行儲存。

然後運行一下看看，在tutorial目錄下按住shift右鍵，在此處打開命令窗口，輸入：

scrapy crawl dmoz

運行結果如圖：

' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)

運行第一個Scrapy專案報錯，真是命運多舛。

應該是出了編碼問題，谷歌了一下找到了解決方案：

在python的Libsite-packages文件夾下新建一個sitecustomize.py：

import sys    
sys.setdefaultencoding('gb2312')

再次運行，OK，問題解決了，看一下結果：

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）：



因為這個只是一個小型的例子，所以這樣簡單的處理就可以了。

如果你想用抓取的items做更複雜的事情，你可以寫一個 Item Pipeline(條目管道)。

這個我們以後再慢慢玩^_^

以上就是 [Python]網路爬蟲（12）：爬蟲框架Scrapy的第一個爬蟲範例入門教學的內容，更多相關內容請關注PHP中文網（www .php.cn）！