Scrapy是web爬取和信息提取的框架。Scrapy使用的基本流程:创建工程、定义提取条目、编写爬虫并提取信息、编写Pipeline存储提取的字段。
一. 创建工程
转到程序工作空间,执行命令:
scrapy startproject tutorial
创建后的工程目录结构为
tutorial/
scrapy.cfg 工程配置文件
tutorial/ 工程的Python模块
__init__.py
items.py
pipelines.py
settings.py
spiders.py/ 爬虫存放的位置
__init__.py
……
二. 定义抓取条目
抓取条目用于装载抓取的数据,它是由scrapy.Item来声明的,它的属性字段是由scrapy.Field来定义。具体使用如下
import scrapy
class DmozItem (scrapy.Item)
title=scrapy.Field()
link=scrapy.Field()
des=scrapy.Field()
三. 编写爬虫,爬取信息
爬虫是用户编写的从指定域中抓取信息的类。代码及其含义如下:
import scrapy
class DmozSpider(scrapy.Spider)
name="dmoz" 爬虫的唯一标示
domain=["dmoz.org"]
start_urls=[ 爬虫下载的起始页,其他子页从下载的页面中提取
"http://www.dmoz.org/computer/.../books"
]
def parse(self, response):
filename=response.url.split("/")[-2]
with open(filename, 'wb') as f:
f.write(response.body)
爬取信息的语句:scrapy crawl dmoz,其中dmoz为爬虫的标示。
四. 提取字段
从网页中提取字段的方法有多种,Scrapy使用一种基于xpath或css表达式的,称为Scrapy selectors的方法。selectors可以看作是文档结构的节点对象,所以初始化的selectors就是根节点或整个文档。
selectors有四个基本的方法:
⑴. xpath()返回selectors列表,每个对象代表由xpath表达式作为参数选择的节点。
⑵. css(),css表达式作为参数。
⑶. extract()返回选择的字符串。
⑷. re()返回由正则表达式作为参数提取的字符串列表。
五. 存储提取的数据
使用scrapy -o可以把抓取的结果保存到文件中,但在复杂的应用中,需要用到Item Pipeline,在创建工程时已创建了pipelines文件。
一. 创建工程
转到程序工作空间,执行命令:
scrapy startproject tutorial
创建后的工程目录结构为
tutorial/
scrapy.cfg 工程配置文件
tutorial/ 工程的Python模块
__init__.py
items.py
pipelines.py
settings.py
spiders.py/ 爬虫存放的位置
__init__.py
……
二. 定义抓取条目
抓取条目用于装载抓取的数据,它是由scrapy.Item来声明的,它的属性字段是由scrapy.Field来定义。具体使用如下
import scrapy
class DmozItem (scrapy.Item)
title=scrapy.Field()
link=scrapy.Field()
des=scrapy.Field()
三. 编写爬虫,爬取信息
爬虫是用户编写的从指定域中抓取信息的类。代码及其含义如下:
import scrapy
class DmozSpider(scrapy.Spider)
name="dmoz" 爬虫的唯一标示
domain=["dmoz.org"]
start_urls=[ 爬虫下载的起始页,其他子页从下载的页面中提取
"http://www.dmoz.org/computer/.../books"
]
def parse(self, response):
filename=response.url.split("/")[-2]
with open(filename, 'wb') as f:
f.write(response.body)
爬取信息的语句:scrapy crawl dmoz,其中dmoz为爬虫的标示。
四. 提取字段
从网页中提取字段的方法有多种,Scrapy使用一种基于xpath或css表达式的,称为Scrapy selectors的方法。selectors可以看作是文档结构的节点对象,所以初始化的selectors就是根节点或整个文档。
selectors有四个基本的方法:
⑴. xpath()返回selectors列表,每个对象代表由xpath表达式作为参数选择的节点。
⑵. css(),css表达式作为参数。
⑶. extract()返回选择的字符串。
⑷. re()返回由正则表达式作为参数提取的字符串列表。
五. 存储提取的数据
使用scrapy -o可以把抓取的结果保存到文件中,但在复杂的应用中,需要用到Item Pipeline,在创建工程时已创建了pipelines文件。