首页 > 代码库 > 爬虫:Scrapy1

爬虫:Scrapy1

Python 2.7

npm install scrapy

步骤:

  1. 创建一个 Scrapy 项目
  2. 定义提取的 Item
  3. 编写爬取网站的 Spider 并提取 Item
  4. 编写 Item Pipeline 来存储提取到的 Item(即数据)

创建项目

scrapy startproject tutorial

该命令将会创建包含下列内容的 tutorial 目录:

tutorial/    scrapy.cfg    tutorial/        __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
  • tutorial/: 该项目的 python 模块。之后您将在此加入代码。
  • tutorial/items.py: 项目中的 item 文件。
  • tutorial/pipelines.py: 项目中的 pipelines 文件。
  • tutorial/settings.py: 项目的设置文件。
  • tutorial/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。

对此,在 item 中定义相应的字段。编辑 tutorial 目录中的 items.py 文件:

import scrapyclass DmozItem(scrapy.Item):    title = scrapy.Field()    link = scrapy.Field()    desc = scrapy.Field()

编写爬虫

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。

以下为我们的第一个 Spider 代码,保存在 tutorial/spiders 目录下的 dmoz_spider.py 文件中:

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)

爬取

进入项目的根目录,执行下列命令启动 spider:

scrapy crawl dmoz

crawl dmoz 启动用于爬取 dmoz.org 的 spider,您将得到类似的输出:

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 opened2014-01-23 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)

查看包含 [dmoz] 的输出,可以看到输出的 log 中包含定义在 start_urls 的初始 URL,并且与 spider 中是一一对应的。在 log 中可以看到其没有指向其他页面( (referer:None) )。

除此之外,更有趣的事情发生了。就像我们 parse 方法指定的那样,有两个包含 url 所对应的内容的文件被创建了: Book,Resources 。

Scrapy 为 Spider 的 start_urls 属性中的每个 URL 创建了 scrapy.Request 对象,并将 parse 方法作为回调函数(callback)赋值给了 Request。

Request 对象经过调度,执行生成 scrapy.http.Response 对象并送回给 spider parse() 方法。

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。 

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:

  • 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。

在 Shell 中尝试 Selector 选择器

为了介绍 Selector 的使用方法,接下来我们将要使用内置的 Scrapy shell。Scrapy Shell 需要您预装好 IPython(一个扩展的 Python 终端)。

您需要进入项目的根目录,执行下列命令来启动 shell:

scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

当 shell 载入后,您将得到一个包含 response 数据的本地 response 变量。输入 response.body 将输出 response 的包体,输出 response.headers 可以看到 response 的包头。

更为重要的是,当输入 response.selector 时, 您将获取到一个可以用于查询返回数据的 selector(选择器), 以及映射到 response.selector.xpath() 、response.selector.css() 的 快捷方法(shortcut): response.xpath() 和 response.css() 。

同时,shell 根据 response 提前初始化了变量 sel 。该 selector 根据 response 的类型自动选择最合适的分析规则(XML vs HTML)。

In [1]: sel.xpath(//title)Out[1]: [<Selector xpath=//title data=http://www.mamicode.com/u<title>Open Directory - Computers: Progr>]In [2]: sel.xpath(//title).extract()Out[2]: [u<title>Open Directory - Computers: Programming: Languages: Python: Books</title>]In [3]: sel.xpath(//title/text())Out[3]: [<Selector xpath=//title/text() data=http://www.mamicode.com/uOpen Directory - Computers: Programming:>]In [4]: sel.xpath(//title/text()).extract()Out[4]: [uOpen Directory - Computers: Programming: Languages: Python: Books]In [5]: sel.xpath(//title/text()).re((\w+):)Out[5]: [uComputers, uProgramming, uLanguages, uPython]
#我们可以通过这段代码选择该页面中网站列表里所有 <li> 元素:sel.xpath(//ul/li)#网站的描述:sel.xpath(//ul/li/text()).extract()#网站的标题:sel.xpath(//ul/li/a/text()).extract()#以及网站的链接:sel.xpath(//ul/li/a/@href).extract()

之前提到过,每个.xpath()调用返回 selector 组成的 list,因此我们可以拼接更多的.xpath()来进一步获取某个节点。我们将在下边使用这样的特性:

for sel in response.xpath(//ul/li):    title = sel.xpath(a/text()).extract()    link = sel.xpath(a/@href).extract()    desc = sel.xpath(text()).extract()    print title, link, desc

在我们的 spider 中加入这段代码:

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):        for sel in response.xpath(//ul/li):            title = sel.xpath(a/text()).extract()            link = sel.xpath(a/@href).extract()            desc = sel.xpath(text()).extract()            print title, link, desc

现在尝试再次爬取 dmoz.org,您将看到爬取到的网站信息被成功输出:

scrapy crawl dmoz

使用Item

Item 对象是自定义的 python 字典。您可以使用标准的字典语法来获取到其每个字段的值。(字段即是我们之前用 Field 赋值的属性):

>>> item = DmozItem()>>> item[title] = Example title>>> item[title]Example title

一般来说,Spider 将会将爬取到的数据以 Item 对象返回。所以为了将爬取的数据返回,我们最终的代码将是:

import scrapyfrom tutorial.items import DmozItemclass 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):        for sel in response.xpath(//ul/li):            item = DmozItem()            item[title] = sel.xpath(a/text()).extract()            item[link] = sel.xpath(a/@href).extract()            item[desc] = sel.xpath(text()).extract()            yield item

现在对 dmoz.org 进行爬取将会产生 DmozItem 对象:

[dmoz] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>     {desc: [u - By David Mertz; Addison Wesley. Book in progress, full text, ASCII format. Asks for feedback. [author website, Gnosis Software, Inc.\n],      link: [uhttp://gnosis.cx/TPiP/],      title: [uText Processing in Python]}[dmoz] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>     {desc: [u - By Sean McGrath; Prentice Hall PTR, 2000, ISBN 0130211192, has CD-ROM. Methods to build XML applications fast, Python tutorial, DOM and SAX, new Pyxie open source XML processing library. [Prentice Hall PTR]\n],      link: [uhttp://www.informit.com/store/product.aspx?isbn=0130211192],      title: [uXML Processing with Python]}

保存爬取到的数据

最简单存储爬取的数据的方式是使用 Feed exports:

scrapy crawl dmoz -o items.json

该命令将采用 JSON 格式对爬取的数据进行序列化,生成 items.json 文件。

在类似这样小规模的项目中,这种存储方式已经足够。 如果需要对爬取到的 item 做更多更为复杂的操作,可以编写 Item Pipeline 。 类似于在创建项目时对 Item 做的,用于编写自己的 tutorial/pipelines.py 也被创建。 不过如果仅仅想要保存 item,不需要实现任何的 pipeline。

爬虫:Scrapy1