码迷,mamicode.com
首页 > 编程语言 > 详细

Python Scrapy爬虫框架之初次使用

时间:2018-07-22 18:43:54      阅读:253      评论:0      收藏:0      [点我收藏+]

标签:查找   spi   pipeline   init   正则表达式   分析方法   text   编写   常用   

本案例来自小甲鱼的课程

 

关于Scrapy的安装网上都有方法,这里便不再叙述。

 

 使用Scrapy抓取一个网站一共需要四个步骤:

0、创建一个Scrapy项目;

1、定义Item容器;

2、编写爬虫;

3、存储内容。

 

本次爬取的目标是全球最大的目录网站http://www.dmoztools.net,由于此网站数据过于庞大,我们这里只拿它的两个子网页做测试(手动捂脸)

http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/

http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/

我们需要爬取的是子网页 http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/ 中的名单、超链接、名单描述。

---

 

0、创建一个Scrapy项目

首先打开cmd窗口输入以下命令将路径移到桌面(其他位置也可以)

cd desktop

 

然后创建一个Scrapy项目。继续在命令行中输入以下命令,(命令执行后请暂时不用关闭命令行,等下要用)

scrapy startproject tutorial

 

(创建一个新的Scrapy项目文件夹,文件夹的名字叫tutorial)文件夹中会有一个scrapy.cfg的配置文件和一个tutorial的子文件夹,tutorial文件夹中有如下内容:

0、__init__.py  这个不用多说,是模块的初始化,不用管

1、items.py  项目的容器

2、pipelines.py

3、settings.py 设置文件

4、spiders/ 文件夹,里面只有一个初始化文件__init__.py ,这里需要我们来完善。

等等文件(可能还有一些其他的文件,这里不多叙述)

 

1、定义Item容器

item容器是什么呢?item容器是保存爬取到的数据的容器,其使用方法和python字典类似,并且提供了额外的保护机制来避免拼写错误导致的未定义字段错误。

接下来我们要建模。为什么要建模呢?因为item容器是用来存放我们爬取到的网页内容,当爬取的时候返回的是整个网页的内容,而往往我们只是需要其中的一部分内容比如这里的网页 http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/ ,我们只需要他的书名、描述、与超链接。

技术分享图片

所以这里我们需要改动item容器,打开 tutorial/item.py ,将其中的TutorialItem模块内容改为以下内容并写好注释:

class TutorialItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()  #标题
    link = scrapy.Field()   #超链接
    desc = scrapy.Field()   #描述

 

保存退出。

 

2、编写爬虫

接下来是编写爬虫类Spider,Spider是用户编写用于从网站上爬取数据的类。

其包含了一个用于下载的初始URL,然后是如何跟进网页中的链接以及如何分析页面中的内容,还有提取生成item的方法。

接下来我们在Spider文件夹中新建一个叫 dmoz_spider.py 的文件,编写以下代码:(其中name是本次的项目名)

import scrapy

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    #allowed_domains是为了防止在爬取的时候进入了其他网站
    allowed_domains = [dmoztools.net]
    #初始爬取位置
    star_url = [
        http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/
        http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/
        ]
    
    #定义一个分析方法
    def parse(self, response):
        filename = response.url.split("/")[-2]
        with open(filename, wb) as f:
            f.write(response,body)

 

保存关闭。代码解释(解释的不是很好,大概意思理解就行,不喜勿喷):

在本地目录下创建两个文件,叫做Books和Resource,然后将start_url中的两个初始网址提交给Scrapy引擎,Scrapy引擎中有下载器,会将网站的源代码下载过来,然后根据parse方法将下载的内容存放到Books和Resource中。

 

接下来继续进入刚才的cmd窗口,输入以下命令将路径切换到tutorial文件夹中:

cd tutorial

 

继续在命令行输入以下命令:

scrapy crawl dmoz

 

其中crawl是爬取的意思,dmoz是项目名。

然后输入回车执行。成功的话将会出现以下信息:

技术分享图片

并且命令执行后在当前目录会生成两个新的文件,叫做Books和Resource。两个文件的内容就是爬取到的网站内容(即网站的源代码)。

技术分享图片

 

3、存储内容

以往我们在爬取网页内容的时候都是使用的html的正则表达式,但是在Scrapy中是使用一种基于Xpath和CSS的表达式机制:Scrapy Selectors

Selectors是一个选择器,它有四个基本的方法:

xpath(): 传入spath表达式,返回该表达式所对应的所有节点的selector list列表

css():传入CSS表达式,返回该表达式所对应的所有节点的selector list列表

extract():序列化该节点为unicode字符串并返回list

re():根据传入的正则表达式对数据进行提取,返回unicode字符串list列表

 

存储数据之前我们先进去scrapy的shell窗口进行测试。继续对刚才的cmd窗口进行操作,输入以下命令进入shell窗口:

scrapy shell "http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/"

 

目的是进入该网站的scrapy shell窗口,界面如下:

技术分享图片

此时我们便可以对他进行操作。

其实这是返回我们刚才的response对象,我们可以对他进行一系列操作,比如response.body命令将会出现该网站的源代码,response.headers命令会出现网站的头配置等等

 现在我们列举几个该对象的使用方法:

/html/head/title:选择html文档中<head>标签内的<title>元素;

/html/head/title/text():选择上面提到的<title>元素的文字;

//td:选择所有的<td>元素;

//div[@class=‘mine‘]:选择所有具有class=‘mine‘属性的div元素。

 

此时shell窗口中还有 一个返回对象sel,接下来我们进行查找名单的测试。

输入命令:(以下出现的路径请自行检查网页内容进行查看,右键点击网页对象选择检查即可出现)

sel.xpath(//section/div/div/div/div/a/div/text()).extract()

 

执行后将会返回网页中的所有名单,图如下:

技术分享图片

同样,输入命令以下命令将会返回所有名单的超链接和描述

sel.xpath(//section/div/div/div/div/a/@href).extract()   //返回超链接
sel.xpath(‘//section/div/div/div/div/a/div/text()‘).extract()    //返回名单描述

 

好,测试完了之后我们来继续编写代码。

 

现在我们来对爬取内容进行筛选

打开编辑我们刚才编写的 dmoz_spider.py 文件,将内容改为以下内容

import scrapy

from tutorial.items import TutorialItem #引入模块

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    #allowed_domains是为了防止在爬取的时候进入了其他网站
    allowed_domains = [dmoztools.net]
    #初始爬取位置
    start_urls = [
        http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/,
        http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/
        ]
    
    #定义一个分析方法
    def parse(self, response):
        sel = scrapy.selector.Selector(response) #分析返回的response对象
        #//section/div/div/div/div/a/div/text()
        sites = sel.xpath(//section/div/div/div/div)    #对内容进行筛选
        items = []    
        for site in sites:    #对爬取内容进行进一步筛选
            item = TutorialItem()
            item[title] = site.xpath(a/div/text()).extract()
            item[link] = site.xpath(a/@href).extract()
            item[desc] = site.xpath(div/text()).extract()
            items.append(item)    #将筛选后的内容添加到列表items中
            
        return items

 

保存退出。然后继续在cmd窗口进行操作,首先退出shell窗口:

exit()

随后开始爬取网站内容并将筛选后的数据导出,进行以下命令:

scrapy crawl dmoz -o items.json -t json

 

-o后面接导出的文件名;-t后面接导出的形式,形式常用的有四种:json、xml、jsonlines以及csv,这里我使用的是json。

执行后在当前路径会产生一个 items.json 的文件,我们使用文本编辑器打开它时会发现,里面就是我们本次要爬取的筛选后的内容:

技术分享图片

本次爬取到这里便成功完成!

 谢谢观看!(??????)??

 

 

我演了很多悲剧,到头来你们都说那是喜剧。            ------------------周星驰

Python Scrapy爬虫框架之初次使用

标签:查找   spi   pipeline   init   正则表达式   分析方法   text   编写   常用   

原文地址:https://www.cnblogs.com/jxxclj/p/9350476.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!