今天我来教大家用scrapy写python爬虫，安装指南可以参考这里，我们来开始今天的内容。
1 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 demo
该命令将会创建包含下列内容的 demo 目录:
demo/
scrapy.cfg
demo/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
大家看到这些可能比较懵，下面来解释一下：
- scrapy.cfg: 项目的配置文件
- demo/: 该项目的python模块。之后您将在此加入代码。
- demo/items.py: 项目中的item文件.
- demo/pipelines.py: 项目中的pipelines文件.
- demo/settings.py: 项目的设置文件.
- demo/spiders/: 放置spider代码的目录.
看到这里依然很费解是不是，这时候我们就需要生动形象的代码了
以下为我们的第一个Spider代码，保存在demo/spiders 目录下的 dmoz_spider.py 文件中:
import scrapy
class 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] + '.html'
with open(filename, 'wb') as f:
f.write(response.body)
来简单解释一下这段代码的意思：
- name = "dmoz" 运行该爬虫的命令是 scrapy crawl dmoz
- allowed_domains = ["dmoz.org"] 允许发送请求的域名，其他无效。
- start_urls 爬去网页内容的url，是一个数组。
- parse 把抓取的网页内容解析，response.url是访问的地址，这段代码里面会新建2个html文件，并把爬去到的内容保存进去。
进入项目的根目录，执行下列命令启动spider:
scrapy crawl dmoz
该命令启动了我们刚刚添加的 dmoz spider, 向 dmoz.org 发送一些请求。 您将会得到类似的输出:
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 [scrapy] INFO: Spider opened
2014-01-23 18:13:08-0400 [scrapy] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/> (referer: None)
2014-01-23 18:13:09-0400 [scrapy] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/> (referer: None)
2014-01-23 18:13:09-0400 [scrapy] INFO: Closing spider (finished)
我们爬取到内容后需要将其保存，这时候就需要通过demo目录下的item.py了，如果有django经验的人会比较熟悉这部分。
2 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。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。
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 demo 目录中的 items.py 文件:
import scrapy
class DmozItem(scrapy.Item):
title = scrapy.Field()
link = scrapy.Field()
desc = scrapy.Field()
写好了item之后，为了将爬取的数据返回，我们最终的代码将是:
import scrapy
from tutorial.items import DmozItem
class 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
大家应该也看出来了，item实际是充当了model的作用，保存数据。可能比较奇怪的是xpath是什么。。。
3 提取数据
比如我们想获得刚刚爬取网页内容ul下面所有的li.
response.xpath('//ul/li')
获取li所有的内容，它是每个li内容组成的数组。
response.xpath('//ul/li/text()').extract()
注意不要忘了用extract，如果不用extract我们来看下获得是啥。
In [3]: response.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:Languages: Python: Books'>]
In [4]: response.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']
这下知道为什么需要用extract提取了吧，不用的话得到的只是一个selector。
以及网站的链接(获得li下面a标签所有的href):
response.xpath('//ul/li/a/@href').extract()
现在对dmoz.org进行爬取将会产生 DmozItem 对象:
scrapy] 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': [u'http://gnosis.cx/TPiP/'],
'title': [u'Text Processing in Python']}
[scrapy] 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': [u'http://www.informit.com/store/product.aspx?isbn=0130211192'],
'title': [u'XML Processing with Python']}
4 追踪链接
设想我们并不是要获得我们爬取网页的内容，而是想要拿到里面的a链接，对a连接的地址内容进行解析。
import scrapy
from tutorial.items import DmozItem
class DmozSpider(scrapy.Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/",
]
def parse(self, response):
for href in response.css("ul.directory.dir-col > li > a::attr('href')"):
url = response.urljoin(response.url, href.extract())
yield scrapy.Request(url, callback=self.parse_dir_contents)
def parse_dir_contents(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
下面使用css方法获取li下面所有a的href值，返回的是一个list。
response.css("ul.directory.dir-col > li > a::attr('href')")
css和xpath的功能是一样的，都是定位网页内容，用法有差异，后期会讲到。
我么假设爬取的网页内容如下：
ul.directory.dir-col
li
a(href='list')
li
a(href='dict')
li
a(href='tuple')
那么实际上我们最终是对http://www.dmoz.org/Computers/Programming/Languages/Python/dict，
http://www.dmoz.org/Computers/Programming/Languages/Python/list，
...三个网页进行爬取。
我们已经通过item拿到了爬取内容，就可以通过在根目录运行
scrapy crawl dmoz -o items.json
采用 JSON 格式对爬取的数据进行序列化，生成 items.json文件.
5 新建一个spider
在项目目录执行以下命令
scrapy genspider mydomain mydomain.com
会在demo/spider/ 生成mydomain.py ,内容如下
class MydomainSpider(scrapy.Spider):
name = 'mydomain'
allowed_domains = ['mydomain.com']
start_urls = ['http://mydomain.com/']
def parse(self, response):
pass
好了，今天第一讲就到这里，通过本节你应该学会如何构建scrapy爬虫，获得爬取网页的内容，保存items。。。
