python scrapy框架使用入门

Scrapy是Python 写的一个爬虫框架

基本流程如下图：

首先从初始 URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载完之后会交给Spider进行分析，Spider 分析出来的结果有两种：

一种是需要进一步抓取的链接，例如“下一页”的链接，这类东西会被回传给 Scheduler 

另一种是需要保存的数据，它们则会被送到Item Pipeline那里，再对数据进行后期处理：详细分析、过滤、存储等

使用Scrapy抓取一个网站一共需要四个步骤：
1.创建一个Scrapy项目   Scrapy startproject +项目名
2.定义Item容器          Item是保存爬取到的数据的容器，其使用方法和python字典类似
                                 并提供了额外的保护机制来避免拼写错误导致的未定义字段错误
3.编写爬虫
4.存储内容

---------------------------利用Scrapy爬取csdn我的博客页面 中的文章标题以及链接地址-----------------------------

1.创建一个Scrapy项目

   在cmd窗口中执行命令：Scrapy startproject  csdnScrapy   

   csdnScrapy 即项目名

2.定义Item容器

找到项目 csdnScrapy\csdnScrapy文件下的items.py文件

打开后如图

在其中定义 title 以及 link 用于存储标题 以及链接地址

import scrapy


class CsdnscrapyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    link = scrapy.Field()

3.编写爬虫

在项目 csdnScrapy\csdnScrapy\spiders 文件下新建一个csdn_spider.py文件（一般创建爬虫文件时，以网站域名命名）

csdn_spider.py文件 代码如下

#coding:utf-8
import scrapy
from csdnScrapy.items import CsdnscrapyItem   #items文件中的CsdnscrapyItem方法

class CsdnSpider(scrapy.Spider):   #必须继承scrapy.Spider
    name="csdn"                    #定义了爬虫的名字，项目启动时需要用到
    allowed_domains=['csdn.net']   #规划爬虫爬取范围
    start_urls = ['http://blog.csdn.net/tiegenz']  #定义爬虫爬取开始页面

    def parse(self,response): # 定义了分析规则通过xpath精确定位我们需要的内容的位置，提取我们需要的部分，再放入item中，再返回item
        sel=scrapy.selector.Selector(response)
        sites= sel.xpath('//span[@class="link_title"]/a')
        items = []
        for site in sites :
            item = CsdnscrapyItem()                      #存储内容
            item['title'] = site.xpath('text()').extract()
            item['link'] = site.xpath('@href').extract()
            items.append(item)

        return items

4.存储内容 

启动项目 ：

在项目目录下打开cmd窗口执行 命令： scrapy crawl csdn -o csdn.json -t json  

注：scrapy crawl 爬虫名 -o 数据存储的文件名 -t 数据存储格式

执行命令后，你会发现在你的项目目录下多了一个  csdn.json 文件

这个文件即保存着爬取到的所有数据 ：标题以及链接地址（标题编码问题未处理中文都转成unicode格式了）

数据存储格式常用的有：  json 、 csv 、xml

附：该项目中用到命令

#  scrapy crawl csdn 运行编写的爬虫
# scrapy shell "爬取的网址"
# response.body   
# response.xpath('//标签名')         返回
#response.xpath('//标签名/text()').extract()                   以字符串的形式返回标签中的文本
# response.xpath('//span/a')                                          返回所有span标签下的a标签
#response.xpath('//span/a/text()').extract()                    以字符串的方式返回所有span标签下的a标签中的文本
#response.xpath('//span/a/@href').extract()                  以字符串的方式返回所有span标签下的a标签中的href属性
#response.xpath('//span[@class="link_title"]/a')             属性class="link_title"的span标签下的a标签
#scrapy crawl csdn -o items.json -t json                       设置保存的文件名以及保存的文件格式

-------------------------------------------------- Scrapy Selectors ---------------------------------------------------------

在Scrapy中是使用一种基于XPath和CSS的表达式机制 ： Scrapy Selectors
Selector是一个选择器，它有四个基本的方法：
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
XPath 是一门在网页中查找特定信息的语言。所以使用XPath筛选数据比正则更简单

-------------------------------------------------------------------------------------------------------------------------------------

Scrapy内部支持更简单的查询语法，帮助我们在html中查询我们需要的标签和标签内容以及标签属性。
下面以span标签为例：

//span  表示查询某个标签的所有span标签
/span   表示查询某个标签的儿子
//span[@class='link_title']   表示找到所有的属性为class='link_title'的span标签
//span[@class='link_title']/a  表示找到这个span的所有a标签
//span[@class='link_title']//a  表示找在这个span下的所有a标签
//span[@class='link_title']//a/text()  表示找在这个span下的所有a标签并获得所有a标签的内容
//span[@class='link_title']//a/@href  表示找在这个span下的所有a标签并获得所有a标签的href属性