scrapy实战-爬取

参照 http://blog.csdn.net/u012150179/article/details/32911511，谢谢

个人总结

1、创建项目

scapy startproject w3school 

2、在items.py中定义Item容器。也就是编写items.py内容

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

from scrapy.item import Item,Field  
  
class W3schoolItem(Item):  
    title = Field()  
    link = Field()  
    desc = Field()

上面定义了自己的W3schoolItem类，它继承自scrapy的Item（这里没有显示定义W3schoolItem的__init__()方法，也正因为如此，python也会为你自动调用基类的__init__()，否则必须显式在子类的__init__()中调用基类__init__()），之后声明W3schoolItem中元素并使用Field定义。到此items.py就OK了

3、在pipelines.py中编写W3schoolPipeline实现对item的处理

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json  
import codecs  

class W3SchoolPipeline(object):  
	def __init__(self):  
		self.file = codecs.open('w3school_data_utf8.json', 'wb', encoding='utf-8')  

	def process_item(self, item, spider):  
		line = json.dumps(dict(item)) + '\n'  
		# print line  
		self.file.write(line.decode("unicode_escape"))  
		return item  

其中的process_item方法是必须调用的用来处理item，并且返回值必须为Item类的对象，或者是抛出DropItem异常。并且上述方法将得到的item实现解码，以便正常显示中文，最终保存到json文件中。

注意：在编写完pipeline后，为了能够启动它，必须将其加入到ITEM_PIPLINES配置中，即在 settings.py中加入下面一句：

# -*- coding: utf-8 -*-

# Scrapy settings for w3school project
#
# For simplicity, this file contains only the most important settings by
# default. All the other settings are documented here:
#
#     http://doc.scrapy.org/en/latest/topics/settings.html
#

BOT_NAME = 'w3school'

SPIDER_MODULES = ['w3school.spiders']
NEWSPIDER_MODULE = 'w3school.spiders'
ITEM_PIPELINES = {  
    'w3school.pipelines.W3SchoolPipeline':300  
} 
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'w3school (+http://www.yourdomain.com)'

5、 编写爬虫
spider/文件夹下编写w3cshool_spider.py

#!/usr/bin/python  
# -*- coding:utf-8 -*-  
  
from scrapy.spider import Spider  
from scrapy.selector import Selector  
from scrapy import log  
  
from w3school.items import W3schoolItem  
  
  
class W3schoolSpider(Spider):  
	"""爬取w3school标签"""  
	#log.start("log",loglevel='INFO')  
	name = "w3school"  
	allowed_domains = ["w3school.com.cn"]  
	start_urls = [  
		"http://www.w3school.com.cn/xml/xml_syntax.asp"  
	]  
  
	def parse(self, response):  
  
		sel = Selector(response)  
		sites = sel.xpath('//div[@id="navsecond"]/div[@id="course"]/ul[1]/li')  
		items = []  
  
		for site in sites:  
			item = W3schoolItem()  
  
			title = site.xpath('a/text()').extract()  
			link = site.xpath('a/@href').extract()  
			desc = site.xpath('a/@title').extract()  
  
			item['title'] = [t.encode('utf-8') for t in title]  
			item['link'] = [l.encode('utf-8') for l in link]  
			item['desc'] = [d.encode('utf-8') for d in desc]  
			items.append(item)  
  
			#记录  
			log.msg("Appending item...",level='INFO')  
  
  
		log.msg("Append done.",level='INFO')  
		return items  

注意点：
1、 需要注意的是编写的spider必须继承自scrapy的Spider类

            属性name即spider唯一名字，start_url可以理解为爬取入口。

2、parse方法。

            parse（）是对scrapy.Spider类的override。

3、网页中的数据提取机制

            scrapy使用选择器Selector并通过XPath实现数据的提取。关于XPath 推荐w3school的教程

6、执行。

scrapy crawl w3school --set LOG_FILE=log 

在目录下生成log和w3school_data_utf8.json文件

小工具：

关于网页代码中意向信息的查找可以借助几个工具：

第一个——Firefox插件Firebug。

第二个——Firefox插件XPath。可以快速的在网页中对xpath表达式的正确性进行验证。

第三个——scrapy shell.关于其使用可以查看教程。