Scrapy入门教程¶

Scrapy入门教程¶

在本篇教程中，我们假定您已经安装好Scrapy。

如若不然，请参考 安装指南 。

接下来以 Open Directory Project(dmoz) (dmoz)

为例来讲述爬取。

本篇教程中将带您完成下列任务:

创建一个Scrapy项目

定义提取的Item

编写爬取网站的 spider 并提取 Item

编写 Item Pipeline 来存储提取到的Item(即数据)

Scrapy由 Python 编写。如果您刚接触并且好奇这门语言的特性以及Scrapy的详情，

对于已经熟悉其他语言并且想快速学习Python的编程老手，

我们推荐 Learn Python The Hard Way ，

对于想从Python开始学习的编程新手，

非程序员的Python学习资料列表 将是您的选择。

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 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。

(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):

title = scrapy.Field()

link = scrapy.Field()

desc = scrapy.Field()

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)¶

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。

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 scrapy

class DmozSpider(scrapy.spiders.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 opened

2014-01-23 18:13:08-0400 [dmoz] DEBUG: Crawled (200) (referer: None)

2014-01-23 18:13:09-0400 [dmoz] DEBUG: Crawled (200) (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 。

刚才发生了什么？¶

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 。

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 标签内的 ']

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']

提取数据¶

现在，我们来尝试从这些页面中提取些有用的数据。

您可以在终端中输入 response.body 来观察HTML源码并确定合适的XPath表达式。不过，这任务非常无聊且不易。您可以考虑使用Firefox的Firebug扩展来使得工作更为轻松。详情请参考 使用Firebug进行爬取 和 借助Firefox来爬取 。

在查看了网页的源码后，您会发现网站的信息是被包含在 第二个

元素中。

我们可以通过这段代码选择该页面中网站列表里所有

• 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

  注解

  关于嵌套selctor的更多详细信息，请参考 嵌套选择器(selectors) 以及 选择器(Selectors) 文档中的 使用相对XPaths 部分。

  在我们的spider中加入这段代码:

  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):

  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 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

  注解

  您可以在 dirbot 项目中找到一个具有完整功能的spider。该项目可以通过 https://github.com/scrapy/dirbot 找到。

  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': [u'http://gnosis.cx/TPiP/'],

  'title': [u'Text 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': [u'http://www.informit.com/store/product.aspx?isbn=0130211192'],

  'title': [u'XML 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。

  在类似本篇教程里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，您可以编写

  Item Pipeline 。

  类似于我们在创建项目时对Item做的，用于您编写自己的

  tutorial/pipelines.py 也被创建。

  不过如果您仅仅想要保存item，您不需要实现任何的pipeline。

  下一步¶

  本篇教程仅介绍了Scrapy的基础，还有很多特性没有涉及。请查看 初窥Scrapy 章节中的 还有什么？ 部分,大致浏览大部分重要的特性。

  接着，我们推荐您把玩一个例子(查看 例子)，而后继续阅读 基本概念 。