第8章 scrapy项目练习

最新推荐文章于 2024-08-15 01:55:01 发布

lee's work

最新推荐文章于 2024-08-15 01:55:01 发布

阅读量683

点赞数

分类专栏： scrapy学习文章标签： python 爬虫 pycharm

本文链接：https://blog.csdn.net/qq_27608761/article/details/121333024

版权

scrapy学习专栏收录该内容

10 篇文章 1 订阅

订阅专栏

文章目录

第8章项目练习

第8章项目练习

在一本书的页面中可以获取以下信息：
●　书名√
●　价格√
●　评价等级√
●　书籍简介
●　产品编码√
●　产品类型
●　税价
●　库存量√
●　评价数量√

8.1　项目需求

爬取http://books.toscrape.com网站中的书籍信息。

（1）其中每一本书的信息包括：

书名
价格
评价等级
产品编码
库存量
评价数量

（2）将爬取的结果保存到csv文件中。

8.2　页面分析

页面分析工具：

Chrome开发者工具
常用的工具： scrapy shell 命令

它使用户可以在交互式命令行下操作一个Scrapy爬虫，通常利用该工具进行前期爬取实验，从而提高开发效率。
接下来分析第一本书的页面，以页面的url地址为参数运行scrapy shell命令：

(Project1) F:\pycharm_workplace\example1>scrapy shell http://books.toscrape.com/catalogue/a-light-in-the-atti
c_1000/index.html
2021-11-15 14:39:18 [scrapy.utils.log] INFO: Scrapy 2.4.1 started (bot: example1)
2021-11-15 14:39:18 [scrapy.utils.log] INFO: Versions: lxml 4.6.3.0, libxml2 2.9.12, cssselect 1.1.0, parsel
1.5.2, w3lib 1.21.0, Twisted 21.2.0, Python 3.7.11 (default, Jul 27 2021, 09:46:33) [MSC v.1916 32 bit (Intel
)], pyOpenSSL 20.0.1 (OpenSSL 1.1.1l  24 Aug 2021), cryptography 3.4.7, Platform Windows-7-6.1.7600
2021-11-15 14:39:18 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.selectreactor.SelectReactor
2021-11-15 14:39:18 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'example1',
 'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter',
 'FEED_EXPORT_ENCODING': 'utf-8-sig',
 'LOGSTATS_INTERVAL': 0,
 'NEWSPIDER_MODULE': 'example1.spiders',
 'ROBOTSTXT_OBEY': True,
 'SPIDER_MODULES': ['example1.spiders']}
2021-11-15 14:39:18 [scrapy.extensions.telnet] INFO: Telnet Password: 9c89067d6ebe79d8
2021-11-15 14:39:18 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole']
2021-11-15 14:39:21 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2021-11-15 14:39:21 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2021-11-15 14:39:22 [scrapy.middleware] INFO: Enabled item pipelines:
['example1.pipelines.DuplicatesPipeline']
2021-11-15 14:39:22 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6024
2021-11-15 14:39:22 [scrapy.core.engine] INFO: Spider opened
2021-11-15 14:39:23 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://books.toscrape.com/robots.txt> (ref
erer: None)
2021-11-15 14:39:23 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://books.toscrape.com/catalogue/a-ligh
t-in-the-attic_1000/index.html> (referer: None)
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x053237B0>
[s]   item       {}
[s]   request    <GET http://books.toscrape.com/catalogue/a-light-in-the-attic_1000/index.html>
[s]   response   <200 http://books.toscrape.com/catalogue/a-light-in-the-attic_1000/index.html>
[s]   settings   <scrapy.settings.Settings object at 0x0531F310>
[s]   spider     <DefaultSpider 'default' at 0x5888770>
[s] Useful shortcuts:
[s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s]   fetch(req)                  Fetch a scrapy.Request and update local objects
[s]   shelp()           Shell help (print this help)
[s]   view(response)    View response in a browser
>>>

运行这条命令后，scrapy shell会使用url参数构造一个Request对象，并提交给Scrapy引擎，页面下载完成后，程序进入一个python shell当中，在此环境中已经创建好了一些变量（对象和函数），以下几个最为常用：
●　request
最近一次下载对应的Request对象。
●　response
最近一次下载对应的Response对象。
●　fetch(req_or_url)
该函数用于下载页面，可传入一个Request对象或url字符串，调用后会更新变量request和response。
●　view(response)
该函数用于在浏览器中显示response中的页面。
接下来，在scrapy shell中调用view函数，在浏览器中显示response所包含的页面：

>>> view(response)

可能在很多时候，使用view函数打开的页面和在浏览器直接输入url打开的页面看起来是一样的，但需要知道的是，前者是由Scrapy爬虫下载的页面，而后者是由浏览器下载的页面，有时它们是不同的。在进行页面分析时，使用view函数更加可靠。
下面使用Chrome审查元素工具分析页面:

在 < div class=“col-sm-6 product_main”>中提取书名、价格、评价等级，在scrapy shell中尝试提取这些信息。

>>> sel = response.css('div.product_main')
>>> sel.xpath('./h1/text()').extract_first()
'A Light in the Attic'
>>> sel.css('p.price_color::text').extract_first()
'£51.77'
>>> sel.css('p.star-rating::attr(class)').re_first('star-rating ([A-Za-z]+)')
'Three'

另外，可在页面下端位置的< table class=“table table-striped”>中提取产品编码、库存量、评价数量，在scrapy shell中尝试提取这些信息：

#尝试提取table中各标签文本
>>> sel = response.css('table.table.table-striped')
#或者只用一个class
>>> sel =response.css('table.table')
#table中各个标签名称
>>> sel.xpath('.//tr/th/text()').extract()
['UPC', 'Product Type', 'Price (excl. tax)', 'Price (incl. tax)', 'Tax', 'Availability', 'Number of reviews']

#提取产品编号（upc）及具体编号
>>> sel.xpath('.//tr/th/text()').extract()[0]
'UPC'
>>> sel.xpath('.//tr/th/text()').extract_first()
'UPC'
>>> sel.xpath('.//tr/td/text()').extract_first()
'a897fe39b1053632'
>>> sel.xpath('(.//tr)/td/text()').extract()[0]
'a897fe39b1053632'
>>> sel.xpath('(.//tr)[1]/td/text()').extract_first()
'a897fe39b1053632'

#提取库存数
>>> sel.xpath('(.//tr)[last()-1]/td/text()')
[<Selector xpath='(.//tr)[last()-1]/td/text()' data='In stock (22 available)'>]
>>> sel.xpath('(.//tr)[last()-1]/td/text()').extract()
['In stock (22 available)']
>>> sel.xpath('(.//tr)[last()-1]/td/text()').extract()[0]
'In stock (22 available)'
>>> sel.xpath('(.//tr)/td/text()[-2]').extract()#不能提取
[]

>>> sel.xpath('(.//tr)/td/text()')[-2].extract()# 可以提取
'In stock (22 available)'
>>> sel.xpath('(.//tr)[last()-1]/td/text()').re_first('\((\d+) available\)')
'22'
>>> sel.xpath('(.//tr)/td/text()')[-2].re_first('\((\d+) available\)')
'22'
#提取评价数量
>>> sel.xpath('(.//tr)/td/text()')[-1]
<Selector xpath='(.//tr)/td/text()' data='0'>
>>> sel.xpath('(.//tr)/td/text()')[-1].extract()
'0'

分析完书籍页面后，接着分析如何在书籍列表页面中提取每一个书籍页面的链接。
在scrapy shell中，先调用fetch函数下载第一个书籍列表页面（http://books.toscrape.com/），下载完成后再调用view函数在浏览器中查看页面。

>>> fetch('http://books.toscrape.com/')
2021-11-15 17:11:43 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://books.toscrape.com/> (referer: None)

每个书籍页面的链接可以在每个< article class=“product_pod”>中找到，在scrapy shell中使用LinkExtractor提取这些链接：

>>> view(response)
True
>>> from scrapy.linkextractors import LinkExtractor
>>> le = LinkExtractor(restrict_css='article.product_pod')
>>> le.extract_links(response)
[Link(url='http://books.toscrape.com/catalogue/a-light-in-the-attic_1000/index.html', text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/tipping-the-velvet_999/index.html', text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/soumission_998/index.html', text=''
, fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/sharp-objects_997/index.html',
text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/sapiens-a-brief-history-
of-humankind_996/index.html', text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/the-requiem-red_995/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/the-dirty-little-secrets-of-getting-your-dream-job_994/index.html', text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/the-coming-woman-a-novel-based-on-the-life-of-the-infamous-feminist-victoria-woodhull_993/index.html', text='', fragment='', nofollow=False),
Link(url='http://books.toscrape.com/catalogue/the-boys-in-the-boat-nine-americans-and-their-epic-quest-for-gold-at-the-1936-berlin-olympics_992/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/the-black-maria_991/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/starving-hearts-triangular-trade-trilogy-1_990/index.html', text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/shakespeares-sonnets_989/index.html', text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/set-me-free_988/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/scott-pilgrims-precious-little-life-scott-pilgrim-1_987/index.html', text='', fragment='', nofollow=False), Link(url='http://books.toscrape.com/catalogue/rip-it-up-and-start-again_986/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/our-band-could-be-your-life-scenes-from-the-american-indie-underground-1981-1991_985/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/olio_984/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/mesaerion-the-best-science-fiction-stories-1800-1849_983/index.html', text='', fragment='', nofollow=False), 
Link(url='http://books.toscrape.com/catalogue/libertarianism-for-beginners_982/index.html', text='', fragment='', nofoll
ow=False), 
Link(url='http://books.toscrape.com/catalogue/its-only-the-himalayas_981/index.html', text='', fragment='', nofollow=False)]
>>>

到此，页面分析的工作已经完成了。

8.3　编码实现

首先创建一个Scrapy项目，取名为toscrape_book。

$ scrapy startproject toscrape_book

通常，我们不需要手工创建Spider文件以及Spider类，可以使用scrapy genspider< SPIDER_NAME> < DOMAIN>命令生成（根据模板）它们，该命令的两个参数分别是Spider的名字和所要爬取的域（网站）：

$ cd toscrape_book
$ scrapy genspider books books.toscrape.com

运行后，scrapy genspider命令创建了文toscrape_book/spiders/books.py，并在其中创建了一个BooksSpider类

定义封装书籍信息的Item类，在toscrape_book/items.py中添加如下代码：

完成BooksSpider ，5步骤。
步骤　01　继承Spider创建BooksSpider类（已完成）。
步骤　02　为Spider取名（已完成）。
步骤　03　指定起始爬取点（已完成）。
步骤　04　实现书籍列表页面的解析函数。
步骤　05　实现书籍页面的解析函数。

前3步已经由scrapy genspider命令帮我们完成，
第4步和第5步的工作是实现两个页面解析函数，因为起始爬取点是一个书籍列表页面，将parse方法作为书籍列表页面的解析函数（第4步），添加一个parse_book方法作为书籍页面的解析函数（第5步），代码如下：

先来完成第4步，实现书籍列表页面的解析函数（parse方法），需要完成以下两个任务：
（1）提取页面中每一个书籍页面的链接，用它们构造Request对象并提交。
（2）提取页面中下一个书籍列表页面的链接，用其构造Request对象并提交。
提取链接的具体细节在页面分析时已经讨论过，实现代码如下：

最后完成第5步，实现书籍页面的解析函数（parse_book方法），只需提取书籍信息存入BookItem对象即可。最终完成代码如下：

注：书中是利用xpath中的last()函数提取table中的属性，其实根据list的属性可以用位置标号查找确定相关数据
运行观察：

$ scrapy crawl books -o books.csv --nolog

运行后，打开books.csv文件

以上可以爬取1000条数据，但有两个问题：

（1）csv文件中各列的次序是随机的，看起来比较混乱.
可在配置文件settings.py中使用FEED_EXPORT_FIELDS指定各列的次序：

FEED_EXPORT_FIELDS = ['upc', 'name', 'price', 'stock', 'review_rating', 'review_num']

（2）结果中评价等级字段的值是One、Two、Three……这样的单词，而不是阿拉伯数字，阅读起来不是很直观。
下面实现一个ItemPipeline，将评价等级字段由单词映射到数字（或许这样简单的需求使用Item Pipeline有点大材小用，但可以复习之前所学的知识）。
在pipelines.py中实现BookPipeline，代码如下：

class BookPipeline(object):
review_rating_map = {
'One': 1,
'Two': 2,
'Three': 3,
'Four': 4,
'Five': 5,
}
def process_item(self, item, spider):
rating = item.get('review_rating')
if rating:
item['review_rating'] = self.review_rating_map[rating]
return item

注意：review_rating_map的key需要和爬取的英语一致，首字母大写，不然会出现key_error

在配置文件settings.py中启用BookPipeline：

ITEM_PIPELINES = {
'toscrape_book.pipelines.BookPipeline': 300,
}

运行爬虫，并观察结果：

$ scrapy crawl books -o books1.csv

字段已排序，评价等级为阿拉伯数字。

8.4　小结

通过熟悉 scrapy shell及相关方法的使用解析页面，已经初步熟悉提取的方法；并依据书中的项目流程完成了数据提取下载，仍需要对xpath、css方法以及linkextractorf方法的相关内容进一步熟悉。

本文参照《精通Scrapy网络爬虫+（刘硕著）》PDF，并自己跑相关代码，代码内容稍作修改，仅做参考和笔记复习使用

lee's work

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
第8章 scrapy项目练习

第8章项目练习在一本书的页面中可以获取以下信息：●　书名√●　价格√●　评价等级√●　书籍简介●　产品编码√●　产品类型●　税价●　库存量√●　评价数量√8.1　项目需求爬取http://books.toscrape.com网站中的书籍信息。（1）其中每一本书的信息包括：　书名　价格　评价等级　产品编码　库存量　评价数量（2）将爬取的结果保存到csv文件中。8.2　页面分析页面分析工具：Chrome开发者工具常用的工具： scrapy shell 命令
复制链接

扫一扫