作为 scrapy 学习笔记的第一篇,主要是了解此框架的基本使用。并通过一个 demo 感受 scrapy 框架的强大。查看原文。
scrapy
Scrapy is a fast high-level web crawling and web scraping framework, used to crawl websites and extract structured data from their pages. It can be used for a wide range of purposes, from data mining to monitoring and automated testing.
我们暂时就认为它是一个功能加大的爬虫框架即可。
Quotes to Scrape
我们要练习抓取的是 scrapy 官方提供的网站:quotes.toscrape.com。对这个网站的抓取让我们对 scrapy 框架有个基本的认识,可以更轻松的入门。因为在我最初接触框架的时候,总觉得它是一个很神秘很复杂的东西,还不如使用 requests 库更容易。
这个网站主要是一些名人名言,虽然看似简陋,却包含了文本,标签,超链接等大多数网站都具备的格式。所以这个网站用来入门 scrapy 是不二选择啊!
Demo
抓取流程
我们通过抓取第一页的信息,获取该页的内容和下一页的链接,实现翻页抓取,然后将抓取到的网页内容保存为特定的格式并存入数据库。
创建项目
在命令行输入
scrapy startproject quotes
然后输入命令创建spider
cd quotes
scrapy genspider quote quotes.toscrape.com
创建好spider文件后,我们就可以继续完善代码了。
初步测试
我们先来测试下框架,在生成好的spider文件中,我们先抓取网页的状态码和网页源码。
代码为:
# -*- coding: utf-8 -*-
import scrapy
class QuoteSpider(scrapy.Spider):
name = "quote"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response):
print(response.status)
print(response.text)
这是运行的部分截图,正常输出了网页的状态码和网页源码。
接下来我们就开始正式抓取了。
完善代码
items.py
我们要抓取这个网页的名人名言,作者和标签,首先要在items.py文件下定义字段。
import scrapy
class QuotesItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
text = scrapy.Field()
author = scrapy.Field()
tags = scrapy.Field()
spider.py
在讲这部分代码时,先介绍一个强大的工具:shell,有了这个工具,在抓取网页内容的时候会更加得心应手。
在命令行输入:
scrapy shell http://quotes.toscrape.com/
这样就进入了命令行交互模式,做一些调试。
这是我做的一些简单调试,相信你也会充分利用这个工具。继续完善代码。
# -*- coding: utf-8 -*-
import scrapy
from quotes.items import QuotesItem
class QuoteSpider(scrapy.Spider):
name = "quote"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response):
item = QuotesItem()
quotes = response.css('.quote')
for quote in quotes:
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
这样基本能看到抓取的结果了,不过只有第一页的内容,接下来我们要抓取所有页的内容。想要抓取下一页的内容也非常简单,只要在本页找到下一页的链接,生成下一页的链接后不断重复这个过程,直到最后一页停止抓取。
抓取所有页数的完整代码为:
# -*- coding: utf-8 -*-
import scrapy
from quotes.items import QuotesItem
class QuoteSpider(scrapy.Spider):
name = "quote"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response):
item = QuotesItem()
quotes = response.css('.quote')
for quote in quotes:
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)
解释一下新增的三行代码。第一行用来找到下一页的超链接;第二行生成一个绝对的 URL,第三行使用 Request 方法,传入新生成的 url,使用回调来递归调用 parse 函数解析新生成的 url。运行以后就能采集所有页的名人名言了。
保存结果
保存到本地文件
抓取好网页的内容如何保存呢?可以使用 scrapy 的命令保存成多种文件格式。
输入命令:
scrapy crawl quote -o quotes.json
运行以后会生成一个 json 文件,保存了刚才我们抓取到的所有内容。
保存到数据库
在保存到数据库前,我们先要对抓取到的文本做一些处理,如果名人名言的长度大于 50,那就切断并显示为省略号。实现也很简单,要用到 pipelines.py 文件。
处理文本的代码为:
from scrapy.exceptions import DropItem
class TextPipeline(object):
def __init__(self):
self.limit = 50
def process_item(self, item, spider):
if item['text']:
if len(item['text']) > self.limit:
item['text'] = "".join([item['text'][0:self.limit].strip(), "..."])
return item
else:
return DropItem('Missing Text.')
然后在 settings.py 文件中开启。
ITEM_PIPELINES = {
'quotes.pipelines.TextPipeline': 300,
}
这样设置以后,运行得到的结果就是我们已经处理后的结果了。接下来我们就要保存到数据库中。
我们先在 setting.py 文件中插入 mongo 数据库的相关信息:
MONGO_URI = 'localhost'
MONGO_DB = 'quotes'
回到 piplines.py 文件编辑:
import pymongo
class MongoPipline(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):
if self.db['quotes'].insert(dict(item)):
print("ok.")
return item
这段代码实现的功能是传入参数后,获取 mongo 数据库的配置信息,然后在 spider 运行前开启 mongo 服务,运行过程中插入到数据库。
再次运行后打开 mongo 数据库,就能看到处理过的文本信息都已经保存好了。
总结
本文涉及的代码见 github。
从这个简单的项目中我们就能体会到scrapy的强大。不过这只是冰山一角,需要我们学习的内容还有很多很多。
让我们共同进步! :)