linux上scrapy项目的创建,Python网络爬虫4 ---- Linux下编写最简单的scrapy网络爬虫项目...

首先我们需要先安装scrapy框架，没有安装的同学可以看ubuntu下安装scrapy网络爬虫框架

创建一个项目 Creating a project

1 进入到想要创建项目的目录： scrapy startproject tutorial

这样就可以创建了一个新的scrapy项目tutorial

2 看一下项目的树形图

tutorial/

scrapy.cfg

tutorial/

__init__.py

items.py

pipelines.py

settings.py

spiders/

__init__.py

...

3 简单的介绍一下每个文件的用处

scrapy.cfg   是项目的配置文件

tutorial/        是项目的入口

items.py      是项目的数据字段文件

pipelines.py 是项目的管道文件

settings.py   是项目的配置文件

spiders/       是项目中放网络蜘蛛的目录

定义我们要的数据字段 Defining our Item

1 定义自己所需要的数据字段是从我们爬取下来的数据中提取的

2 定义字段在items.py中定义Item类来实现的

3 我们在items.py中定义出三个字段，titile和link以及desc

from scrapy.item import Item, Field

class DmozItem(Item):

title = Field()

link = Field()

desc = Field()

创建第一个网络蜘蛛 Our first Spider

1 网络蜘蛛是指从用户定义好的一组域中爬取数据

2 要创建一个网络蜘蛛，我们必须在spiders/ 目录下创建一个文件

3 我们创建第一个网络蜘蛛，保存为dmoz_spider.py

from scrapy.spider import BaseSpider

class DmozSpider(BaseSpider):

name = "dmoz"

allowed_domains = ["dmoz.org"]

start_urls = [

"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",

"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"

]

def parse(self, response):

filename = response.url.split("/")[-2]

open(filename, 'wb').write(response.body)

name              是网络蜘蛛的名称，名称要唯一

start_urls        是网络蜘蛛开始爬取的第一个url

parse()函数    是网络蜘蛛爬取后response的对象，负责解析响应数据

运行项目 Crawling

1 回到这个项目的最顶层运行：scrapy crawl dmoz

2 有如下结果

2014-01-23 18:13:07-0400 [scrapy] INFO: Scrapy started (bot: tutorial)

2014-01-23 18:13:07-0400 [scrapy] INFO: Optional features available: ...

2014-01-23 18:13:07-0400 [scrapy] INFO: Overridden settings: {}

2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled extensions: ...

2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled downloader middlewares: ...

2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled spider middlewares: ...

2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled item pipelines: ...

2014-01-23 18:13:07-0400 [dmoz] INFO: Spider opened

2014-01-23 18:13:08-0400 [dmoz] DEBUG: Crawled (200) (referer: None)

2014-01-23 18:13:09-0400 [dmoz] DEBUG: Crawled (200) (referer: None)

2014-01-23 18:13:09-0400 [dmoz] INFO: Closing spider (finished)

3 运行完这个项目之后，在这个项目tutorial产生两个文件Books和Resources

项目是怎样工作的？What just happened under the hood?

scrapy对定义在spider里面的每一个url产生一个http的request请求，然后通过parse()函数进行回滚处理。

提取数据字段 Extracting Items

1 有几种方法从web页面中提取数据，比如XPath和CSS

2 几个XPath例子的解释

/html/head/title: 选择所有head内部的title内容

/html/head/title/text(): 选择所有的位于title内部的text内容

//td: 选择所有的

元素

//div[@class="mine"]: 选择所有的class名叫mine的div元素

3 选择器的四个基本方法

xpath(): 返回一个选择器列表，每一个代表xpath选择的

css(): 返回一个选择器列表，每一个代表css选择的

extract(): 返回一个unicode字符串

re(): 返回一个unicode字符串从正则表达式中选出的

4 为了说明使用selectors，我们使用scrapy shell

回到项目的最顶层： scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

5 出现如下

[ ... Scrapy log here ... ]

2014-01-23 17:11:42-0400 [default] DEBUG: Crawled (200) (referer: None)

[s] Available Scrapy objects:

[s] crawler

[s] item {}

[s] request

[s] response <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>

[s] sel \r\n\r\n

allowed_domains = ["dmoz.org"]

start_urls = [

"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",

"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"

]

def parse(self, response):

sel = Selector(response)

sites = sel.xpath('//ul/li')

for site in sites:

title = site.xpath('a/text()').extract()

link = site.xpath('a/@href').extract()

desc = site.xpath('text()').extract()

print title, link, desc

8 最后使用上我们自己定义的Item，Item就像Python里面的字典一样

from scrapy.spider import BaseSpider

from scrapy.selector import Selector

from tutorial.items import DmozItem

class DmozSpider(BaseSpider):

name = "dmoz"

allowed_domains = ["dmoz.org"]

start_urls = [

"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",

"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"

]

def parse(self, response):

sel = Selector(response)

sites = sel.xpath('//ul/li')

items = []

for site in sites:

item = DmozItem()

item['title'] = site.xpath('a/text()').extract()

item['link'] = site.xpath('a/@href').extract()

item['desc'] = site.xpath('text()').extract()

items.append(item)

return items

9 最简单的存储爬取数据方法是使用Feed exports，使用如下命令

scrapy crawl dmoz -o items.json -t json

这个命令将生成items.json文件，包含所有爬取的字段