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;
2. 定义Item容器;
3. 编写爬虫;
4. 存储内容。
学习怎么使用Scrapy之前,我们需要先来了解一下Scrapy的架构以及组件之间的交互。下图展现的是Scrapy的架构,包括组件及在系统中发生的数据流(图中绿色箭头)。
下面对每个组件都做了简单介绍:
Scrapy Engine
Scrapy引擎是爬虫工作的核心,负责控制数据流在系统中所有组件中流动,并在相应动作发生时触发事件。
调度器(Scheduler)
调度器从引擎接受request并将他们入队,以便之后引擎请求他们时提供给引擎。
下载器(Downloader)
下载器负责获取页面数据并提供给引擎,而后提供给spider。
Spiders
Spider是Scrapy用户编写用于分析由下载器返回的response,并提取出item和额外跟进的URL的类。 Item Pipeline Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、验证及持久化(例如存取到数据库中)。
接下来是两个中间件,它们用于提供一个简便的机制,通过插入自定义代码来扩展Scrapy的功能。
下载器中间件(Downloader middlewares)
下载器中间件是在引擎及下载器之间的特定钩子(specific hook),处理Downloader传递给引擎的response。
Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook),处理spider的输入(就是接收来自下载器的response)和输出(就是发送items给item pipeline以及发送requests给调度器)。
创建一个Scrapy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
...
这些文件构成Scrapy爬虫框架,它们分别的作用是:
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。
首先根据需要从dmoztools.net获取到的数据对item进行建模。比如我们需要从dmoz中获取名字,url网址,以及网站的描述。
对此,我们需要在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()
编写爬虫
接下来是编写爬虫类Spider,Spider是用户编写用于从网站上爬取数据的类。
其包含了一个用于下载的初始URL,然后是如何跟进网页中的链接以及如何分析页面中的内容,还有提取生成item的方法。
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.Spider):
name = "dmoztools"
allowed_domains = ["dmoztools.net"]
start_urls = [
"http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/",
"http://www.dmoztools.netComputers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
filename = response.url.split("/")[-2]
with open(filename, 'wb') as f:
f.write(response.body)
接下来我们把“爬取”分为先“爬”后“取”两个独立的动作展开:
爬
命令行进入tutorial项目的根目录:
cd tutorial
执行下列命令启动spider:
scrapy crawl dmoztools
crawl dmoztools启动用于爬取dmoztools.net的spider,我们将得到类似的输出:
查看包含[dmoztools]的输出,可以看到输出的日志中包含定义在start_urls的初始URL,并且与spider中是一一对应的。在日志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()函数中指定的那样,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属性中每个URL创建了Request对象,并将parse()方法指定为回调函数。Request对象经过调度,执行下载器并生成Response对象反馈回Spider类。
取
爬完整个网页,接下来就是取的过程了。取就是将得到的网页内容提取出我们需要的数据。
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。
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。
你需要先进入项目的根目录,执行下列命令来启动Scrapy shell:
scrapy shell “http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/”
shell的输出类似:
在Shell载入后,你将获得response回应,存储在本地变量response中。
所以如果你输入response.body,你将会看到response的body部分,也就是抓取到的页面内容:
或者输入response.headers 来查看它的 header部分:
selector选择器就是这样一个筛子,你可以使用response.selector.xpath()、response.selector.css()、response.selector.extract()和response.selector.re()这四个基本方法。
使用XPath
XPath是一门在网页中查找特定信息的语言。
所以用XPath来筛选数据,要比使用正则表达式容易些。
这里给出XPath表达式的例子及对应的含义:
/html/head/title – 选择HTML文档中标签内的元素
/html/head/title/text() – 选择上面提到的元素的文字
//td – 选择所有的元素
//div[@class=”mine”] – 选择所有具有class=”mine”属性的div元素
了解更多关于XPath的内容:http://www.w3school.com.cn/xpath/
值得一提的是,response.xpath()、response.css()已经被映射到response.selector.xpath()、response.selector.css(),所以直接使用response.xpath()即可:
提取数据
根据item中定义的,我们需要找到(书的)名字,url网址,以及网站的描述。我们要找出他们的规律,然后通过XPath的语法把它们筛选出来。
如果这里不加extract(),xpath()是直接返回一个Selector对象组成的列表。
# 修改spiders/dmoz_spider.py 文件的 parse() 方法
def parse(self, response):
# shell帮我们初始化好sel,这里我们要自己初始化
sel = scrapy.selector.Selector(response)
sites = sel.xpath('//ul[@class="directory-url"]/li')
for site in sites:
title = site.xpath('div[3]/a/div/text()").extract()
link = site.xpath('div[3]/a/@href').extract()
desc = site.xpath('div[3]/div/text()').extract()[0].strip()
print(title, link, desc)
使用item
item其实是我们自定义的一个容器,用法跟Python的字典一样。
Spiders将爬取并筛选后的数据存放到item容器中,spider的最终代码应该是这样的:
import scrapy
from tutoria.items import DmozItem
class DmozSpider(scrapy.Spider):
name = 'dmoztools'
allowed_domains = ['dmoztools.net']
start_urls=[
'http://dmoztools.net/Computers/Programming/Languages/Python/Books/',
'http://dmoztools.net/Computers/Programming/Languages/Python/Resources/']
def parse(self,response):
sel=scrapy.selector.Selector(response)
sites=sel.xpath('//*[@id="site-list-content"]/div')
items=[]
for site in sites:
item=DmozItem()
item["title"]=site.xpath("div[3]/a/div/text()").extract()
item["link"]=site.xpath('div[3]/a/@href').extract()
item["desc"]=site.xpath('div[3]/div/text()').extract()[0].strip()
items.append(item)
return items
存储内容
最简单存储爬取的数据的方式是使用Feed exports,主要可以导出四种格式:JSON,JSON lines,CSV和XML。
我们这里将结果导出为最常用的JSON格式:
scrapy crawl dmoz -o items.json -t json
-o 后边是导出的文件名,-t 指定导出类型 成功执行命令后,根目录出现了一个叫 items.json 的文件,内容如下: