Scrapy入门教程

/ 技术 / 无站内评论 / 337浏览

Scrapy是什么?

Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。


其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。


Scrapy是一个非常好用的爬虫框架,它不仅提供了一些开箱即用的基础组件,还提供了强大的自定义功能。

安装

https://sanii.cn/article/152

创建项目

在开始爬取之前,您必须创建一个新的Scrapy项目。 进入您打算存储代码的目录中,运行下列命令:

scrapy startproject douban

该命令将会创建包含下列内容的 douban 目录:

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

这些文件分别是:

  • scrapy.cfg: 项目的配置文件
  • douban/: 该项目的python模块。之后您将在此加入代码。
  • douban/items.py: 项目中的item文件.
  • douban/pipelines.py: 项目中的pipelines文件.
  • douban/settings.py: 项目的设置文件.
  • douban/spiders/: 放置spider代码的目录.

定义Item

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

类似在ORM中做的一样,您可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field 的类属性来定义一个Item。 (如果不了解ORM, 不用担心,您会发现这个步骤非常简单)

首先根据需要从dmoz.org获取到的数据对item进行建模。 我们需要从dmoz中获取名字,url,以及网站的描述。 对此,在item中定义相应的字段。编辑 tutorial 目录中的 items.py 文件:

import scrapy

class DmozItem(scrapy.Item):

quote=scrapy.Field()  //内容
by=scrapy.Field()//作者
tags=scrapy.Field()//标签

一开始这看起来可能有点复杂,但是通过定义item, 您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。

编写第一个爬虫(Spider)

练手爬的网站地址:http://quotes.toscrape.com


Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。

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

为了创建一个Spider,您必须继承 scrapy.Spider 类, 且定义以下三个属性:

  • name: 用于区别Spider。 该名字必须是唯一的,您不可以为不同的Spider设定相同的名字。
  • start_urls: 包含了Spider在启动时进行爬取的url列表。 因此,第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
  • parse() 是spider的一个方法。 被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。
  • # -- coding: utf-8 --//编码 从3.0以后默认utf-8.可以不用指定,3.0以前的版本需要
    import scrapy,json
    from ..items import DoubanItem
    from scrapy.selector import Selector //选择器
    from scrapy.spiders import CrawlSpider //爬虫类

    class DoubanSpider(CrawlSpider):
    name = "douban" //定义该爬虫实例名称
    def start_requests(self): //启动默认执行的函数 self类似java的this
    url="http://quotes.toscrape.com/page/%d/" //要爬的网站 %d 数字占位符
    for page in range(1,10): //range函数从1开始,增加10个数
    # 抓取10个页面
    # 指定 parse 作为回调函数并返回 Requests 请求对象
    yield scrapy.Request(url=url % page,callback=self.parse)
    //将page顺序产生的数字替换URL中的d,效果:http://quotes.toscrape.com/page/1 2 3 等。然后callback执行回调函数parse
    # 回调函数,处理抓取内容填充 DoubanItem 属性
    def parse(self,response): //爬虫函数
    items=DoubanItem()//定义一个DoubanItem类属性
    for sel in response.selector.xpath('//div[@class="quote"]'): //xpath表达式选择页面数据
    quote=sel.xpath('span[@class="text"]/text()').extract()//符合div[@class="quote表达式的div里面的span[@class="text"]的值
    by=sel.xpath('span/small[@class="author"]/text()').extract()//符合div[@class="quote表达式的div里面的span/small[@class="author"]的值
    by.append(' (about)')//拼接值
    tags=sel.xpath('div[@class="tags"]/a/text()').extract()//获取所有div[@class="tags"]里面的所有a的值
    item=""
    for t in tags://因为里面的值有多条,要进行拼接
    item=item+' '+t
    items
    ['quote']=quote//保存到对象中
    items
    ['by']=by
    items
    ['tags']=item
    # print(quote, by, item)
    print(items)//打印
    yield items//yield 函数,大概是返回数据,然后从上次的结果后继续执行。

爬取

进入项目的根目录,执行下列命令启动spider:

执行:scrapy crawl douban //douban为定义的name 唯一 

保存数据为json文件

scrapy crawl douban -o bandou.json

提取Item

Selectors选择器简介

从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 CSS 表达式机制: Scrapy Selectors。 关于selector和其他提取机制的信息请参考 Selector文档 。

这里给出XPath表达式的例子及对应的含义:

  • /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

上边仅仅是几个简单的XPath例子,XPath实际上要比这远远强大的多。 如果您想了解的更多,我们推荐 这篇XPath教程 。

为了配合XPath,Scrapy除了提供了 Selector 之外,还提供了方法来避免每次从response中提取数据时生成selector的麻烦。

Selector有四个基本的方法(点击相应的方法可以看到详细的API文档):

  • xpath(): 传入xpath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

召唤蕾姆
琼ICP备18000156号

鄂公网安备 42011502000211号