Scrapy,Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支持。
Scrapy框架的安装,详见博客http://blog.csdn.net/qq_29186489/article/details/78736945,本文不再赘述。
本文以scrapy抓取一个网站为例子,来详细演示scrapy框架的详细用法。
目标网站:Quotes to Scrape,网址为:http://quotes.toscrape.com/
流程框架
抓取第一个页面
请求第一页的URL并得到源代码,进行下一分析
获取内容和下一页的链接
分析源代码,提取翻页内容,获取下一页链接等待进一步爬取
翻页爬取
请求下一页的信息,分析内容并请求下一页的链接
保存运行结果
将爬取文件存为特定的格式的文件或者存入数据库
具体代码实现及命令
相关命令
1:生成scrapy工程,工程的名称为quotetutorial
scrapy startproject quotetutorial
2:进入生成的工程目录
cd quotetutorial
3:生成爬虫,名称为quotes ,爬取的网址为:quotes.toscrape.com
scrapy genspider quotes quotes.toscrape.com
4:运行命令:scrapy crawl quotes,运行结果如下:
具体代码实现
1:定义item,具体代码实现如下:
import scrapy
class QuotetutorialItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
text=scrapy.Field()
author=scrapy.Field()
tags=scrapy.Field()
2:编写spider,对返回的网页代码进行处理和遍历
# -*- coding: utf-8 -*-
import scrapy
from quotetutorial.items import QuotetutorialItem
class QuotesSpider(scrapy.Spider):
name = 'quotes'
allowed_domains = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com/']
#对请求返回的网页HTML代码进行处理
def parse(self, response):
quotes=response.css(".quote")
for quote in quotes:
item=QuotetutorialItem()
text=quote.css(".text::text").extract_first()
author = quote.css(".author::text").extract_first()
tags = quote.css(".tags .tag::text").extract()
item["text"]=text
item["author"]=author
item["tags"]=tags
yield item
next=response.css(".pager .next a::attr(href)").extract_first()
url=response.urljoin(next)
yield scrapy.Request(url=url,callback=self.parse)
3:实现pipline,对返回的ITEM进行处理
# -*- 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
from scrapy.exceptions import DropItem
import pymongo
class QuotetutorialPipeline(object):
def __init__(self):
self.limit=50
def process_item(self, item, spider):
if item['text']:
if len(item["text"])>self.limit:
item["text"]=item["text"][0:self.limit].rstrip()+"..."
return item
else:
return DropItem("Missing Text")
class MongoPipeline(object):
def __init__(self,mongo_uri,mongo_db):
self.mongo_uri=mongo_uri
self.mongo_db=mongo_db
@classmethod
def from_crawler(cls,crawler):
return cls(
mongo_uri=crawler.settings.get("MONGO_URI"),
mongo_db=crawler.settings.get("MONGO_DB")
)
def open_spider(self,spider):
self.client=pymongo.MongoClient(self.mongo_uri)
self.db=self.client[self.mongo_db]
def process_item(self,item,spider):
name=item.__class__.__name__
self.db[name].insert(dict(item))
return item
def close_spider(self,spider):
self.client.close()
4:在settings文件中,启用pipline
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'quotetutorial.pipelines.QuotetutorialPipeline': 300,
'quotetutorial.pipelines.MongoPipeline': 301
}
完整代码的下载地址如下:https://gitee.com/TianYaBenXiong/scrapy_code/tree/master