安装准备
需要安装Python2.7/3.5 需要安装scrapy库:pip install scrapy
Windows下还需要安装win32py扩展包:安装参考另一篇文章http://blog.csdn.net/u010129985/article/details/69257887
scrapy
scrapy的每个item对象都表示一个网页,里面可以定义各种属性,比如:标题,时间,内容等 自定义的item一般都会继承Item
items.py
class Article(Item):
title=Field()
详细文章参考:
整体项目结构介绍:(包含项目,但是虎嗅网好像限制爬虫,所以运行不了)
https://www.xncoding.com/2016/03/10/scrapy-02.html
参考二:http://www.pythontip.com/blog/post/1985/
已测试可用示例:
维基百科采集
1 生成项目
scrapy startproject wikiSpider wikiSpider是项目名称
2 编辑items.py文件
import scrapy
from scrapy import Item,Field
class Article(Item):
title=Field()
在spiders文件夹下建一个处理文件articleSpider.py
from scrapy.contrib.spiders import CrawlSpider, Rule
from wikiSpider.items import Article
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy import log
class ArticleSpider(CrawlSpider):
#log.start(logfile='log.txt', loglevel=log.CRITICAL)
name="article"
allowed_domains = ["en.wikipedia.org"]
start_urls = ["http://en.wikipedia.org/wiki/Python_%28programming_language%29"]
rules = [
Rule(SgmlLinkExtractor(allow=('(/wiki/)((?!:).)*$'),), callback="parse_item", follow=True)
]
def parse_item(self, response):
item = Article()
title = response.xpath('//h1/text()')[0].extract()
print("Title is: "+title)
item['title'] = title
return item
介绍:name很关键 scrapy crawl article 运行爬虫项目时指定的参数就是这个name,allowed_domains表示能够被采集的站点 ;在piplines.py文件里可定义一定不会采集的站点;start_urls说明该爬虫从哪个URL开始爬;parse()是默认的采集回调,当采集到一个网页后自动调用该方法,该方法只接受一个response参数表示网页体;CrawlSpider是框架提供的一个爬虫基础类(Spider>BaseSpider>CrawlSpider) ; Rule为规则对象,主要用来筛选网页元素;SgmlLinkExtractor实现规则allow表示允许通过的链接,deny=(‘deny.php’, )表示不被允许的链接 ;callback指定回调函数,上面放弃了默认的回调parse() ;response是下载的网页流(字符串) 本咧中用的Xpath选择器,同时还可以用beautifulsoup来解析,lxml来解析(Scrapy选择器构建在lxml基础之上,所以可以保证速度和准确性。)
Xpath语法
//div/li 选择所有div下的li标签
a/@href 选择所有a标签的属性href
a/text() 选择a标签的文本
a[@href="/abc"] 选择a标签且href属性为“/abc”
text()表示选择文本
//div[@class="mod-info-flow"]/div/div[@vlass="mob-ctt"] 表示选择所有div标签且div的class为mod-info-flow再选择该div下的div再下面的div且该div class为mod-ctt
Xpath选择器返回的是一个序列
item['link']=sel.xpath('h2/a/@href')[0].extract() 表示选择序列第一个对象,extract()表示提取出结果
callback指定的回调都会返回一个结果序列,这个序列可以用来输出到文件;如果是全网站爬虫,需要对xpath解析后的链接再次执行需要返回一个Request序列 进行下一步处理,如:
yield scrapy.Request(url,callback=self.parse_article) 把xpath提取出来的URL交付给下一个回调处理,yield表示提供一个生成器,这个生成器可以用来迭代
输出日志
scrapy crawl article -s LOG_FILE=wiki.log
输出采集结果到文件
scrapy crawl article -o articles.json/csv/xml -t json/csv/xml