[Python]网络爬虫（12）：爬虫框架Scrapy的第一个爬虫示例入门教程
（建議大家多看看官網(wǎng)教程：教程地址）
我們使用dmoz.org這個(gè)網(wǎng)站來(lái)作為小抓抓一展身手的對(duì)象。
首先先要回答一個(gè)問題。
問：把網(wǎng)站裝進(jìn)爬蟲里，總共分幾步？
答案很簡(jiǎn)單，四步：
- 新建項(xiàng)目 (Project)：新建一個(gè)新的爬蟲項(xiàng)目
- 明確目標(biāo)（Items）：明確你想要抓取的目標(biāo)
- 制作爬蟲（Spider）：制作爬蟲開始爬取網(wǎng)頁(yè)
- 存儲(chǔ)內(nèi)容（Pipeline）：設(shè)計(jì)管道存儲(chǔ)爬取內(nèi)容
好的，基本流程既然確定了，那接下來(lái)就一步一步的完成就可以了。
1.新建項(xiàng)目（Project）
在空目錄下按住Shift鍵右擊，選擇“在此處打開命令窗口”，輸入一下命令：
[plain]?view plaincopy
其中，tutorial為項(xiàng)目名稱。
可以看到將會(huì)創(chuàng)建一個(gè)tutorial文件夾，目錄結(jié)構(gòu)如下：
[plain]?view plaincopy
下面來(lái)簡(jiǎn)單介紹一下各個(gè)文件的作用：
- scrapy.cfg：項(xiàng)目的配置文件
- tutorial/：項(xiàng)目的Python模塊，將會(huì)從這里引用代碼
- tutorial/items.py：項(xiàng)目的items文件
- tutorial/pipelines.py：項(xiàng)目的pipelines文件
- tutorial/settings.py：項(xiàng)目的設(shè)置文件
- tutorial/spiders/：存儲(chǔ)爬蟲的目錄
2.明確目標(biāo)（Item）
在Scrapy中，items是用來(lái)加載抓取內(nèi)容的容器，有點(diǎn)像Python中的Dic，也就是字典，但是提供了一些額外的保護(hù)減少錯(cuò)誤。
一般來(lái)說(shuō)，item可以用scrapy.item.Item類來(lái)創(chuàng)建，并且用scrapy.item.Field對(duì)象來(lái)定義屬性（可以理解成類似于ORM的映射關(guān)系）。
接下來(lái)，我們開始來(lái)構(gòu)建item模型（model）。
首先，我們想要的內(nèi)容有：
- 名稱（name）
- 鏈接（url）
- 描述（description）
修改tutorial目錄下的items.py文件，在原本的class后面添加我們自己的class。
因?yàn)橐moz.org網(wǎng)站的內(nèi)容，所以我們可以將其命名為DmozItem：
[python]?view plaincopy
剛開始看起來(lái)可能會(huì)有些看不懂，但是定義這些item能讓你用其他組件的時(shí)候知道你的 items到底是什么。
可以把Item簡(jiǎn)單的理解成封裝好的類對(duì)象。
3.制作爬蟲（Spider）
制作爬蟲，總體分兩步：先爬再取。
也就是說(shuō)，首先你要獲取整個(gè)網(wǎng)頁(yè)的所有內(nèi)容，然后再取出其中對(duì)你有用的部分。
3.1爬
Spider是用戶自己編寫的類，用來(lái)從一個(gè)域（或域組）中抓取信息。
他們定義了用于下載的URL列表、跟蹤鏈接的方案、解析網(wǎng)頁(yè)內(nèi)容的方式，以此來(lái)提取items。
要建立一個(gè)Spider，你必須用scrapy.spider.BaseSpider創(chuàng)建一個(gè)子類，并確定三個(gè)強(qiáng)制的屬性：
- name：爬蟲的識(shí)別名稱，必須是唯一的，在不同的爬蟲中你必須定義不同的名字。
- start_urls：爬取的URL列表。爬蟲從這里開始抓取數(shù)據(jù)，所以，第一次下載的數(shù)據(jù)將會(huì)從這些urls開始。其他子URL將會(huì)從這些起始URL中繼承性生成。
- parse()：解析的方法，調(diào)用的時(shí)候傳入從每一個(gè)URL傳回的Response對(duì)象作為唯一參數(shù)，負(fù)責(zé)解析并匹配抓取的數(shù)據(jù)(解析為item)，跟蹤更多的URL。
?
這里可以參考寬度爬蟲教程中提及的思想來(lái)幫助理解，教程傳送：[Java] 知乎下巴第5集：使用HttpClient工具包和寬度爬蟲。
也就是把Url存儲(chǔ)下來(lái)并依此為起點(diǎn)逐步擴(kuò)散開去，抓取所有符合條件的網(wǎng)頁(yè)Url存儲(chǔ)起來(lái)繼續(xù)爬取。
下面我們來(lái)寫第一只爬蟲，命名為dmoz_spider.py，保存在tutorial\spiders目錄下。
dmoz_spider.py代碼如下：
[python]?view plaincopy
從parse函數(shù)可以看出，將鏈接的最后兩個(gè)地址取出作為文件名進(jìn)行存儲(chǔ)。
然后運(yùn)行一下看看，在tutorial目錄下按住shift右擊，在此處打開命令窗口，輸入：
運(yùn)行結(jié)果如圖：
報(bào)錯(cuò)了：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal?not in range(128)
運(yùn)行第一個(gè)Scrapy項(xiàng)目就報(bào)錯(cuò)，真是命運(yùn)多舛。
應(yīng)該是出了編碼問題，谷歌了一下找到了解決方案：
在python的Lib\site-packages文件夾下新建一個(gè)sitecustomize.py：
[python]?view plaincopy
再次運(yùn)行，OK，問題解決了，看一下結(jié)果：
最后一句INFO: Closing spider (finished)表明爬蟲已經(jīng)成功運(yùn)行并且自行關(guān)閉了。
包含 [dmoz]的行 ，那對(duì)應(yīng)著我們的爬蟲運(yùn)行的結(jié)果。
可以看到start_urls中定義的每個(gè)URL都有日志行。
還記得我們的start_urls嗎？
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因?yàn)檫@些URL是起始頁(yè)面，所以他們沒有引用(referrers)，所以在它們的每行末尾你會(huì)看到 (referer: <None>)。
在parse 方法的作用下，兩個(gè)文件被創(chuàng)建：分別是 Books 和 Resources，這兩個(gè)文件中有URL的頁(yè)面內(nèi)容。
那么在剛剛的電閃雷鳴之中到底發(fā)生了什么呢？
首先，Scrapy為爬蟲的 start_urls屬性中的每個(gè)URL創(chuàng)建了一個(gè) scrapy.http.Request 對(duì)象 ，并將爬蟲的parse 方法指定為回調(diào)函數(shù)。
然后，這些 Request被調(diào)度并執(zhí)行，之后通過(guò)parse()方法返回scrapy.http.Response對(duì)象，并反饋給爬蟲。
3.2取
爬取整個(gè)網(wǎng)頁(yè)完畢，接下來(lái)的就是的取過(guò)程了。
光存儲(chǔ)一整個(gè)網(wǎng)頁(yè)還是不夠用的。
在基礎(chǔ)的爬蟲里，這一步可以用正則表達(dá)式來(lái)抓。
在Scrapy里，使用一種叫做 XPath selectors的機(jī)制，它基于 XPath表達(dá)式。
如果你想了解更多selectors和其他機(jī)制你可以查閱資料：點(diǎn)我點(diǎn)我
這是一些XPath表達(dá)式的例子和他們的含義
- /html/head/title: 選擇HTML文檔<head>元素下面的<title> 標(biāo)簽。
- /html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內(nèi)容
- //td: 選擇所有 <td> 元素
- //div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標(biāo)簽元素
以上只是幾個(gè)使用XPath的簡(jiǎn)單例子，但是實(shí)際上XPath非常強(qiáng)大。
可以參照W3C教程：點(diǎn)我點(diǎn)我。
必須通過(guò)一個(gè) Response 對(duì)象對(duì)他們進(jìn)行實(shí)例化操作。
你會(huì)發(fā)現(xiàn)Selector對(duì)象展示了文檔的節(jié)點(diǎn)結(jié)構(gòu)。因此，第一個(gè)實(shí)例化的selector必與根節(jié)點(diǎn)或者是整個(gè)目錄有關(guān) 。
在Scrapy里面，Selectors 有四種基礎(chǔ)的方法（點(diǎn)擊查看API文檔）：
- xpath()：返回一系列的selectors，每一個(gè)select表示一個(gè)xpath參數(shù)表達(dá)式選擇的節(jié)點(diǎn)
- css()：返回一系列的selectors，每一個(gè)select表示一個(gè)css參數(shù)表達(dá)式選擇的節(jié)點(diǎn)
- extract()：返回一個(gè)unicode字符串，為選中的數(shù)據(jù)
- re()：返回一串一個(gè)unicode字符串，為使用正則表達(dá)式抓取出來(lái)的內(nèi)容
3.3xpath實(shí)驗(yàn)
下面我們?cè)赟hell里面嘗試一下Selector的用法。
實(shí)驗(yàn)的網(wǎng)址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了實(shí)驗(yàn)的小白鼠，接下來(lái)就是用Shell爬取網(wǎng)頁(yè)了。
進(jìn)入到項(xiàng)目的頂層目錄，也就是第一層tutorial文件夾下，在cmd中輸入：
[plain]?view plaincopy
回車后可以看到如下的內(nèi)容：
在Shell載入后，你將獲得response回應(yīng)，存儲(chǔ)在本地變量 response中。
所以如果你輸入response.body，你將會(huì)看到response的body部分，也就是抓取到的頁(yè)面內(nèi)容：
或者輸入response.headers 來(lái)查看它的 header部分：
現(xiàn)在就像是一大堆沙子握在手里，里面藏著我們想要的金子，所以下一步，就是用篩子搖兩下，把雜質(zhì)出去，選出關(guān)鍵的內(nèi)容。
selector就是這樣一個(gè)篩子。
在舊的版本中，Shell實(shí)例化兩種selectors，一個(gè)是解析HTML的 hxs 變量，一個(gè)是解析XML 的 xxs 變量。
而現(xiàn)在的Shell為我們準(zhǔn)備好的selector對(duì)象，sel，可以根據(jù)返回的數(shù)據(jù)類型自動(dòng)選擇最佳的解析方案(XML or HTML)。
然后我們來(lái)?yè)v弄一下！~
要徹底搞清楚這個(gè)問題，首先先要知道，抓到的頁(yè)面到底是個(gè)什么樣子。
比如，我們要抓取網(wǎng)頁(yè)的標(biāo)題，也就是<title>這個(gè)標(biāo)簽：
可以輸入：
[python]?view plaincopy
結(jié)果就是：
這樣就能把這個(gè)標(biāo)簽取出來(lái)了，用extract()和text()還可以進(jìn)一步做處理。
備注：簡(jiǎn)單的羅列一下有用的xpath路徑表達(dá)式：
| nodename | 選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)。 |
| / | 從根節(jié)點(diǎn)選取。 |
| // | 從匹配選擇的當(dāng)前節(jié)點(diǎn)選擇文檔中的節(jié)點(diǎn)，而不考慮它們的位置。 |
| . | 選取當(dāng)前節(jié)點(diǎn)。 |
| .. | 選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)。 |
| @ | 選取屬性。 |
全部的實(shí)驗(yàn)結(jié)果如下，In[i]表示第i次實(shí)驗(yàn)的輸入，Out[i]表示第i次結(jié)果的輸出（建議大家參照：W3C教程）：
[python]?view plaincopy
當(dāng)然title這個(gè)標(biāo)簽對(duì)我們來(lái)說(shuō)沒有太多的價(jià)值，下面我們就來(lái)真正抓取一些有意義的東西。
使用火狐的審查元素我們可以清楚地看到，我們需要的東西如下：
我們可以用如下代碼來(lái)抓取這個(gè)<li>標(biāo)簽：
[python]?view plaincopy
從<li>標(biāo)簽中，可以這樣獲取網(wǎng)站的描述：
[python]?view plaincopy
可以這樣獲取網(wǎng)站的標(biāo)題：
[python]?view plaincopy
可以這樣獲取網(wǎng)站的超鏈接：
[python]?view plaincopy
當(dāng)然，前面的這些例子是直接獲取屬性的方法。
我們注意到xpath返回了一個(gè)對(duì)象列表，
那么我們也可以直接調(diào)用這個(gè)列表中對(duì)象的屬性挖掘更深的節(jié)點(diǎn)
（參考：Nesting selectors?andWorking with relative XPaths?in the?Selectors）：
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
3.4xpath實(shí)戰(zhàn)
我們用shell做了這么久的實(shí)戰(zhàn)，最后我們可以把前面學(xué)習(xí)到的內(nèi)容應(yīng)用到dmoz_spider這個(gè)爬蟲中。
在原爬蟲的parse函數(shù)中做如下修改：
[python]?view plaincopy
注意，我們從scrapy.selector中導(dǎo)入了Selector類，并且實(shí)例化了一個(gè)新的Selector對(duì)象。這樣我們就可以像Shell中一樣操作xpath了。
我們來(lái)試著輸入一下命令運(yùn)行爬蟲（在tutorial根目錄里面）：
運(yùn)行結(jié)果如下：
果然，成功的抓到了所有的標(biāo)題。但是好像不太對(duì)啊，怎么Top，Python這種導(dǎo)航欄也抓取出來(lái)了呢？
我們只需要紅圈中的內(nèi)容：
看來(lái)是我們的xpath語(yǔ)句有點(diǎn)問題，沒有僅僅把我們需要的項(xiàng)目名稱抓取出來(lái)，也抓了一些無(wú)辜的但是xpath語(yǔ)法相同的元素。
審查元素我們發(fā)現(xiàn)我們需要的<ul>具有class='directory-url'的屬性，
那么只要把xpath語(yǔ)句改成sel.xpath('//ul[@class="directory-url"]/li')即可
將xpath語(yǔ)句做如下調(diào)整：
[python]?view plaincopy
成功抓出了所有的標(biāo)題，絕對(duì)沒有濫殺無(wú)辜：
3.5使用Item
接下來(lái)我們來(lái)看一看如何使用Item。
前面我們說(shuō)過(guò)，Item 對(duì)象是自定義的python字典，可以使用標(biāo)準(zhǔn)字典語(yǔ)法獲取某個(gè)屬性的值：
[python]?view plaincopy
作為一只爬蟲，Spiders希望能將其抓取的數(shù)據(jù)存放到Item對(duì)象中。為了返回我們抓取數(shù)據(jù)，spider的最終代碼應(yīng)當(dāng)是這樣:
[python]?view plaincopy
4.存儲(chǔ)內(nèi)容（Pipeline）
保存信息的最簡(jiǎn)單的方法是通過(guò)Feed exports，主要有四種：JSON，JSON lines，CSV，XML。
我們將結(jié)果用最常用的JSON導(dǎo)出，命令如下：
-o 后面是導(dǎo)出文件名，-t 后面是導(dǎo)出類型。
然后來(lái)看一下導(dǎo)出的結(jié)果，用文本編輯器打開json文件即可（為了方便顯示，在item中刪去了除了title之外的屬性）：
因?yàn)檫@個(gè)只是一個(gè)小型的例子，所以這樣簡(jiǎn)單的處理就可以了。
如果你想用抓取的items做更復(fù)雜的事情，你可以寫一個(gè) Item Pipeline(條目管道)。
這個(gè)我們以后再慢慢玩^_^
總結(jié)
以上是生活随笔為你收集整理的[Python]网络爬虫（12）：爬虫框架Scrapy的第一个爬虫示例入门教程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 客户关系管理系统-CRM源码
- 下一篇： Angular--页面间切换及传值的四种