首页 > 代码库 > Scrapy爬虫 -- 02
Scrapy爬虫 -- 02
爬虫最基本的部分是要将网页下载，而最重要的部分是过滤 -- 获取我们需要的信息。
而scrapy正好提供了这个功能：
首先我们要定义items：
Itemsare containers that will be loaded with the scraped data; they work like simple python dicts but provide additional protection against populating undeclared fields, to prevent typos.
摘自官网，大意就是说iteams是用来存储抓取的数据结构，提供相对与python字典类型额外的类型保护。（这个具体的保护方式待研究）
示例如下：
project/items.py
import scrapyclass DmozItem(scrapy.Item): title = scrapy.Field() link = scrapy.Field() desc = scrapy.Field()
然后我们需要编写Spider，抓取网页并选择信息，将其放入items之中。
示例如下：
import scrapyclass DmozSpider(scrapy.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]
with open(filename, ‘wb‘) as f:
f.write(response.body)
说明：
name Spider的名字，这个名字要在这个项目之中唯一，原因稍后就知道了。
allowed_domains,这个是域名设置，即是否抓取其他域名，一般摄制成要start_urls中地址的域名即可
- start_urls 这是一个列表，表示scrapy抓取网页的起始位置，以样例为例，如果你要抓取http://www.dmoz.org/Computers/Programming/Languages/Python/Books/中所有的图书，那start_urls就是上述网址。
- parse函数 个人认为类似于java中接口的概念，scrapy向网站发出request，然后调用DmozSpider中的parse函数对返回的response进行处理。
开始启动蜘蛛：
scrapy crawl dmoz
正常的化输出如下：
2014-01-23 18:13:07-0400 [scrapy] INFO: Scrapy started (bot: tutorial)
2014-01-23 18:13:07-0400 [scrapy] INFO: Optional features available: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Overridden settings: {}
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled extensions: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled downloader middlewares: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled spider middlewares: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled item pipelines: ...
2014-01-23 18:13:07-0400 [dmoz] INFO: Spider opened
2014-01-23 18:13:08-0400 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/> (referer: None)
2014-01-23 18:13:09-0400 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/> (referer: None)
2014-01-23 18:13:09-0400 [dmoz] INFO: Closing spider (finished)
待续
Scrapy爬虫 -- 02
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。