python爬虫框架scrapy学习笔记

最新推荐文章于 2022-09-15 14:26:42 发布

lk5423968

最新推荐文章于 2022-09-15 14:26:42 发布

阅读量1k

点赞数

分类专栏： Python

Python 专栏收录该内容

18 篇文章 2 订阅

订阅专栏

http://blog.csdn.net/scopop/article/details/7781316

介绍:scrapy是一个python的爬虫框架官方英文文档比较完整支持web2.0

官方文档:doc.scrapy.org

本机环境:ubuntu 12.04

安装命令:

[plain] view plain copy

sudo easy_install python-twisted
sudo easy_install w3lib
sudo easy_install lxml
sudo easy_install pyopenssl
sudo easy_install -U Scrapy

其他系统安装 install

创建tutorial项目

[plain] view plain copy

scrapy startproject tutorial

项目结构可以使用tree命令

[plain] view plain copy

├── scrapy.cfg # 配置文件
└── tutorial
├── __init__.py
├── items.py # 模型文件类是django的模型
├── pipelines.py # 管道对items数据进行进一步处理
├── settings.py #配置文件
└── spiders # 爬虫文件夹
└── __init__.py

使用命令创建第一个爬虫dmoz(使用模板basic)

[plain] view plain copy

scrapy genspider -t basic dmoz dmoz.org

创建成功后会在爬虫文件夹spiders中出现一个dmoz.py的文件打开后如下所示

[plain] view plain copy

from scrapy.spider import BaseSpider
class DmozSpider(BaseSpider):
name = "dmoz" # 爬虫名字
allowed_domains = ["dmoz.org"]
start_urls = (
'http://www.dmoz.org/', # 爬虫开始网址
)
def parse(self, response):
pass # 网页抓取后通过该函数处理
filename = response.url.split("/")[-2] # 新增测试代码
open(filename, 'wb').write(response.body)

运行

[plain] view plain copy

scrapy crawl dmoz

最后会在工程文件夹下生成一个www.dmoz.org的文件内容为网页代码

scrapy命令解释

[plain] view plain copy

scrapy -h #查看帮助
scrapy list #爬虫列表
scrapy crawl dmoz #运行dmoz爬虫
scrapy genspider -h #查看genspider帮助信息
scrapy genspider -l #查看genspider模板列表
scrapy genspider -d basic # 查看basic模板结构
scrapy genspider -t basic test test.com # 指定basic模板生成test爬虫

scrapy 调试

[plain] view plain copy

scrapy shell http://www.dmoz.org/ # 通过shell交互的方式

通过xPath的方式解析网页

xPath教程地址 http://www.w3school.com.cn/xpath/index.asp 可通过shell方式进行测试练习

定义模型修改items.py文件关于模型的操作详见文档 http://doc.scrapy.org/en/0.14/topics/items.html

[plain] view plain copy

class DmozItem(Item):
title = Field() # 字段只有这一种Field类型
link = Field()
desc = Field()

修改spiders下dmoz.py

[plain] view plain copy

from scrapy.spider import BaseSpider
from tutorial.items import DmozItem
from scrapy.selector import HtmlXPathSelector
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = (
'http://www.dmoz.org/Computers/Programming/Languages/Python/Books/',
)
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.select('//ul/li')
items = []
for site in sites:
item = DmozItem()
item['title'] = site.select('a/text()').extract()
item['link'] = site.select('a/@href').extract()
item['desc'] = site.select('text()').extract()
items.append(item)
return items

parse返回Request或者items列表如果是Request则加入爬虫队列如果返回items则直接处理或者到pipelines模块处理

Request返回格式 [Request(url, callback=self.parse_item)]

运行爬虫根据Item生成json文件其他xml cvs等详见文档

[plain] view plain copy

scrapy crawl dmoz -o items.json -t json

命令成功会在终端打印信息并且在工程下生成items.json文件

pipeline

爬虫spider获取的数据返回Request对象需要进一步抓取链接而返回Item的则交给pipeline处理

[plain] view plain copy

class TutorialPipeline(object):
def __init__(self):
print "first pipeline"
def process_item(self, item, spider):# 函数返回item或者raise from scrapy.exceptions import DropItem对象
return item# 函数内进行数据的二次处理当然在parse中也可以处理

配置settings 可以配置多个依次执行

[plain] view plain copy