零基础写python爬虫之使用Scrapy框架编写爬虫

发表于 5年以前 | 总阅读数：1366 次

网络爬虫，是在网上进行数据抓取的程序，使用它能够抓取特定网页的HTML数据。虽然我们利用一些库开发一个爬虫程序，但是使用框架可以大大提高效率，缩短开发时间。Scrapy是一个使用Python编写的，轻量级的，简单轻巧，并且使用起来非常的方便。使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。

首先先要回答一个问题。
问：把网站装进爬虫里，总共分几步？
答案很简单，四步：
新建项目 (Project)：新建一个新的爬虫项目
明确目标（Items）：明确你想要抓取的目标
制作爬虫（Spider）：制作爬虫开始爬取网页
存储内容（Pipeline）：设计管道存储爬取内容

好的，基本流程既然确定了，那接下来就一步一步的完成就可以了。

1.新建项目（Project）
在空目录下按住Shift键右击，选择"在此处打开命令窗口"，输入一下命令：

复制代码 代码如下:

scrapy startproject tutorial

其中，tutorial为项目名称。
可以看到将会创建一个tutorial文件夹，目录结构如下：

复制代码 代码如下:

tutorial/
scrapy.cfg
tutorial/
init.py
items.py
pipelines.py
settings.py
spiders/
init.py
...

下面来简单介绍一下各个文件的作用：
scrapy.cfg：项目的配置文件
tutorial/：项目的Python模块，将会从这里引用代码
tutorial/items.py：项目的items文件
tutorial/pipelines.py：项目的pipelines文件
tutorial/settings.py：项目的设置文件
tutorial/spiders/：存储爬虫的目录

2.明确目标（Item）
在Scrapy中，items是用来加载抓取内容的容器，有点像Python中的Dic，也就是字典，但是提供了一些额外的保护减少错误。
一般来说，item可以用scrapy.item.Item类来创建，并且用scrapy.item.Field对象来定义属性（可以理解成类似于ORM的映射关系）。
接下来，我们开始来构建item模型（model）。
首先，我们想要的内容有：
名称（name）
链接（url）
描述（description）

修改tutorial目录下的items.py文件，在原本的class后面添加我们自己的class。
因为要抓dmoz.org网站的内容，所以我们可以将其命名为DmozItem：

复制代码 代码如下:

Define here the models for your scraped items

See documentation in:

http://doc.scrapy.org/en/latest/topics/items.html

from scrapy.item import Item, Field

class TutorialItem(Item):

define the fields for your item here like:

# name = Field()    
pass

class DmozItem(Item):
title = Field()
link = Field()
desc = Field()

刚开始看起来可能会有些看不懂，但是定义这些item能让你用其他组件的时候知道你的 items到底是什么。
可以把Item简单的理解成封装好的类对象。

3.制作爬虫（Spider）

制作爬虫，总体分两步：先爬再取。
也就是说，首先你要获取整个网页的所有内容，然后再取出其中对你有用的部分。
3.1爬
Spider是用户自己编写的类，用来从一个域（或域组）中抓取信息。
他们定义了用于下载的URL列表、跟踪链接的方案、解析网页内容的方式，以此来提取items。
要建立一个Spider，你必须用scrapy.spider.BaseSpider创建一个子类，并确定三个强制的属性：
name：爬虫的识别名称，必须是唯一的，在不同的爬虫中你必须定义不同的名字。
start_urls：爬取的URL列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
parse()：解析的方法，调用的时候传入从每一个URL传回的Response对象作为唯一参数，负责解析并匹配抓取的数据(解析为item)，跟踪更多的URL。

这里可以参考宽度爬虫教程中提及的思想来帮助理解，教程传送：[Java] 知乎下巴第5集：使用HttpClient工具包和宽度爬虫。
也就是把Url存储下来并依此为起点逐步扩散开去，抓取所有符合条件的网页Url存储起来继续爬取。

下面我们来写第一只爬虫，命名为dmoz_spider.py，保存在tutorial\spiders目录下。
dmoz_spider.py代码如下：

复制代码 代码如下:

from scrapy.spider import Spider

class DmozSpider(Spider):
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)

allow_domains是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页。
从parse函数可以看出，将链接的最后两个地址取出作为文件名进行存储。
然后运行一下看看，在tutorial目录下按住shift右击，在此处打开命令窗口，输入：

复制代码 代码如下:

scrapy crawl dmoz

运行结果如图：

报错了：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)
运行第一个Scrapy项目就报错，真是命运多舛。
应该是出了编码问题，谷歌了一下找到了解决方案：
在python的Lib\site-packages文件夹下新建一个sitecustomize.py：

复制代码 代码如下:

import sys
sys.setdefaultencoding('gb2312')

再次运行，OK，问题解决了，看一下结果：

最后一句INFO: Closing spider (finished)表明爬虫已经成功运行并且自行关闭了。
包含 [dmoz]的行，那对应着我们的爬虫运行的结果。
可以看到start_urls中定义的每个URL都有日志行。
还记得我们的start_urls吗？
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因为这些URL是起始页面，所以他们没有引用(referrers)，所以在它们的每行末尾你会看到 (referer: )。
在parse 方法的作用下，两个文件被创建：分别是 Books 和 Resources，这两个文件中有URL的页面内容。

那么在刚刚的电闪雷鸣之中到底发生了什么呢？
首先，Scrapy为爬虫的 start_urls属性中的每个URL创建了一个 scrapy.http.Request 对象，并将爬虫的parse 方法指定为回调函数。
然后，这些 Request被调度并执行，之后通过parse()方法返回scrapy.http.Response对象，并反馈给爬虫。

3.2取
爬取整个网页完毕，接下来的就是的取过程了。
光存储一整个网页还是不够用的。
在基础的爬虫里，这一步可以用正则表达式来抓。
在Scrapy里，使用一种叫做 XPath selectors的机制，它基于 XPath表达式。
如果你想了解更多selectors和其他机制你可以查阅资料：点我点我

这是一些XPath表达式的例子和他们的含义
/html/head/title: 选择HTML文档元素下面的标签。 /html/head/title/text(): 选择前面提到的<title> 元素下面的文本内容 //td: 选择所有 <td> 元素 //div[@class="mine"]: 选择所有包含 class="mine" 属性的div 标签元素 以上只是几个使用XPath的简单例子，但是实际上XPath非常强大。 可以参照W3C教程：点我点我。 为了方便使用XPaths，Scrapy提供XPathSelector 类，有两种可以选择，HtmlXPathSelector(HTML数据解析)和XmlXPathSelector(XML数据解析)。 必须通过一个 Response 对象对他们进行实例化操作。 你会发现Selector对象展示了文档的节点结构。因此，第一个实例化的selector必与根节点或者是整个目录有关。 在Scrapy里面，Selectors 有四种基础的方法（点击查看API文档）： xpath()：返回一系列的selectors，每一个select表示一个xpath参数表达式选择的节点 css()：返回一系列的selectors，每一个select表示一个css参数表达式选择的节点 extract()：返回一个unicode字符串，为选中的数据 re()：返回一串一个unicode字符串，为使用正则表达式抓取出来的内容 3.3xpath实验 下面我们在Shell里面尝试一下Selector的用法。 实验的网址：<a href="http://www.dmoz.org/Computers/Programming/Languages/Python/Books/">http://www.dmoz.org/Computers/Programming/Languages/Python/Books/</a> <img src="https://codingsky.oss-cn-hangzhou.aliyuncs.com/cdn/codingsky/upload/img/blog/f45726e3f04dfb5f41ac26cb470ab0b9.jpg" alt="" /> 熟悉完了实验的小白鼠，接下来就是用Shell爬取网页了。 进入到项目的顶层目录，也就是第一层tutorial文件夹下，在cmd中输入： 复制代码 代码如下: scrapy shell <a href="http://www.dmoz.org/Computers/Programming/Languages/Python/Books/">http://www.dmoz.org/Computers/Programming/Languages/Python/Books/</a> 回车后可以看到如下的内容： <img src="https://codingsky.oss-cn-hangzhou.aliyuncs.com/cdn/codingsky/upload/img/blog/eba06d2c634f55cf4d00b81df3ee819e.jpg" alt="" /> 在Shell载入后，你将获得response回应，存储在本地变量 response中。 所以如果你输入response.body，你将会看到response的body部分，也就是抓取到的页面内容： <img src="https://codingsky.oss-cn-hangzhou.aliyuncs.com/cdn/codingsky/upload/img/blog/0445c36314cf1fb026e282097660c0cd.jpg" alt="" /> 或者输入response.headers 来查看它的 header部分： <img src="https://codingsky.oss-cn-hangzhou.aliyuncs.com/cdn/codingsky/upload/img/blog/dea57f33290ad469eb0d854ba1623eb2.jpg" alt="" /> 现在就像是一大堆沙子握在手里，里面藏着我们想要的金子，所以下一步，就是用筛子摇两下，把杂质出去，选出关键的内容。 selector就是这样一个筛子。 在旧的版本中，Shell实例化两种selectors，一个是解析HTML的 hxs 变量，一个是解析XML 的 xxs 变量。 而现在的Shell为我们准备好的selector对象，sel，可以根据返回的数据类型自动选择最佳的解析方案(XML or HTML)。 然后我们来捣弄一下！~ 要彻底搞清楚这个问题，首先先要知道，抓到的页面到底是个什么样子。 比如，我们要抓取网页的标题，也就是<title>这个标签： <img src="https://codingsky.oss-cn-hangzhou.aliyuncs.com/cdn/codingsky/upload/img/blog/127680a8f2c05f9f5ccbcebcf8c45882.png" alt="" /> 可以输入： 复制代码 代码如下: sel.xpath('//title') 结果就是： <img src="https://codingsky.oss-cn-hangzhou.aliyuncs.com/cdn/codingsky/upload/img/blog/93c4530abce5dfe7494ef93f1841aefe.png" alt="" /> 这样就能把这个标签取出来了，用extract()和text()还可以进一步做处理。 备注：简单的罗列一下有用的xpath路径表达式： 表达式描述 nodename 选取此节点的所有子节点。 / 从根节点选取。 // 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 . 选取当前节点。 .. 选取当前节点的父节点。 @ 选取属性。 全部的实验结果如下，In[i]表示第i次实验的输入，Out[i]表示第i次结果的输出（建议大家参照：W3C教程）： 复制代码 代码如下: In [1]: sel.xpath('//title') Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>] In [2]: sel.xpath('//title').extract() Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books']

In [3]: sel.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]

In [4]: sel.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']

In [5]: sel.xpath('//title/text()').re('(\w+):')
Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']

当然title这个标签对我们来说没有太多的价值，下面我们就来真正抓取一些有意义的东西。
使用火狐的审查元素我们可以清楚地看到，我们需要的东西如下：

我们可以用如下代码来抓取这个

标签：

复制代码 代码如下:

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

从

标签中，可以这样获取网站的描述：

复制代码 代码如下:

sel.xpath('//ul/li/text()').extract()

可以这样获取网站的标题：

复制代码 代码如下:

sel.xpath('//ul/li/a/text()').extract()

可以这样获取网站的超链接：

复制代码 代码如下:

sel.xpath('//ul/li/a/@href').extract.extract)()

当然，前面的这些例子是直接获取属性的方法。
我们注意到xpath返回了一个对象列表，
那么我们也可以直接调用这个列表中对象的属性挖掘更深的节点
（参考：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.extract)()
desc = site.xpath('text()').extract()
print title, link, desc

3.4xpath实战
我们用shell做了这么久的实战，最后我们可以把前面学习到的内容应用到dmoz_spider这个爬虫中。
在原爬虫的parse函数中做如下修改：

复制代码 代码如下:

from scrapy.spider import Spider
from scrapy.selector import Selector

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](mailto:'a/@href'\).extract)()    
        desc = site.xpath('text()').extract()    
        print title

注意，我们从scrapy.selector中导入了Selector类，并且实例化了一个新的Selector对象。这样我们就可以像Shell中一样操作xpath了。
我们来试着输入一下命令运行爬虫（在tutorial根目录里面）：

复制代码 代码如下:

scrapy crawl dmoz

运行结果如下：

果然，成功的抓到了所有的标题。但是好像不太对啊，怎么Top，Python这种导航栏也抓取出来了呢？
我们只需要红圈中的内容：

看来是我们的xpath语句有点问题，没有仅仅把我们需要的项目名称抓取出来，也抓了一些无辜的但是xpath语法相同的元素。
审查元素我们发现我们需要的

复制代码 代码如下:

from scrapy.spider import Spider
from scrapy.selector import Selector

def parse(self, response):    
    sel = Selector(response)    
    sites = sel.xpath('//ul[@class="directory-url"]/li')    
    for site in sites:    
        title = site.xpath('a/text()').extract()    
        link = site.xpath(['a/@href').extract](mailto:'a/@href'\).extract)()    
        desc = site.xpath('text()').extract()    
        print title

成功抓出了所有的标题，绝对没有滥杀无辜：

3.5使用Item
接下来我们来看一看如何使用Item。
前面我们说过，Item 对象是自定义的python字典，可以使用标准字典语法获取某个属性的值：

复制代码 代码如下:

item = DmozItem()
item['title'] = 'Example title'
item['title']
'Example title'

作为一只爬虫，Spiders希望能将其抓取的数据存放到Item对象中。为了返回我们抓取数据，spider的最终代码应当是这样:

复制代码 代码如下:

from scrapy.spider import Spider
from scrapy.selector import Selector

from tutorial.items import DmozItem

def parse(self, response):    
    sel = Selector(response)    
    sites = sel.xpath('//ul[@class="directory-url"]/li')    
    items = []    
    for site in sites:    
        item = DmozItem()    
        item['title'] = site.xpath('a/text()').extract()    
        item['link'] = site.xpath(['a/@href').extract](mailto:'a/@href'\).extract)()    
        item['desc'] = site.xpath('text()').extract()    
        items.append(item)    
    return items

4.存储内容（Pipeline）
保存信息的最简单的方法是通过Feed exports，主要有四种：JSON，JSON lines，CSV，XML。
我们将结果用最常用的JSON导出，命令如下：

复制代码 代码如下:

scrapy crawl dmoz -o items.json -t json

-o 后面是导出文件名，-t 后面是导出类型。
然后来看一下导出的结果，用文本编辑器打开json文件即可（为了方便显示，在item中删去了除了title之外的属性）：