scrapy框架系列 (2) 一個簡單案例
學習目標
- 創建一個Scrapy項目
- 定義提取的結構化數據(Item)
- 編寫爬取網站的 Spider 並提取出結構化數據(Item)
- 編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)
一. 新建項目(scrapy startproject)
- 在開始爬取之前,必須創建一個新的Scrapy項目。進入自定義的項目目錄中,運行下列命令:
scrapy startproject mySpider
- 其中, mySpider 為項目名稱,可以看到將會創建一個 mySpider 文件夾,目錄結構大致如下:
下面來簡單介紹一下各個主要文件的作用:
scrapy.cfg :項目的配置文件
mySpider/ :項目的Python模塊,將會從這裏引用代碼
mySpider/items.py :項目的目標文件
mySpider/pipelines.py :項目的管道文件
mySpider/settings.py :項目的設置文件
mySpider/spiders/ :存儲爬蟲代碼目錄
二、明確目標(mySpider/items.py)
我們打算抓取:http://www.itcast.cn/channel/teacher.shtml 網站裏的所有講師的姓名、職稱和個人信息。
-
打開mySpider目錄下的items.py
-
Item 定義結構化數據字段,用來保存爬取到的數據,有點像Python中的dict,但是提供了一些額外的保護減少錯誤。
-
可以通過創建一個 scrapy.Item 類, 並且定義類型為 scrapy.Field的類屬性來定義一個Item(可以理解成類似於ORM的映射關系)。
-
接下來,創建一個ItcastItem 類,和構建item模型(model)。
import scrapy
class ItcastItem(scrapy.Item):
name = scrapy.Field()
level = scrapy.Field()
info = scrapy.Field()
三、制作爬蟲 (spiders/itcastSpider.py)
爬蟲功能要分兩步:
1. 爬數據
- 在當前目錄下輸入命令,將在
mySpider/spider
itcast
的爬蟲,並指定爬取域的範圍:
scrapy genspider itcast "itcast.cn"
- 打開 mySpider/spider目錄裏的 itcast.py,默認增加了下列代碼:
import scrapy
class ItcastSpider(scrapy.Spider):
name = "itcast"
allowed_domains = ["itcast.cn"]
start_urls = (
‘http://www.itcast.cn/‘,
)
def parse(self, response):
pass
其實也可以由我們自行創建itcast.py並編寫上面的代碼,只不過使用命令可以免去編寫固定代碼的麻煩
要建立一個Spider, 你必須用scrapy.Spider類創建一個子類,並確定了三個強制的屬性 和 一個方法。
-
name = ""
:這個爬蟲的識別名稱,必須是唯一的,在不同的爬蟲必須定義不同的名字。 -
allow_domains = []
是搜索的域名範圍,也就是爬蟲的約束區域,規定爬蟲只爬取這個域名下的網頁,不存在的URL會被忽略。 -
start_urls = ()
:爬取的URL元祖/列表。爬蟲從這裏開始抓取數據,所以,第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。 -
parse(self, response)
:解析的方法,每個初始URL完成下載後將被調用,調用的時候傳入從每一個URL傳回的Response對象來作為唯一參數,主要作用如下:- 負責解析返回的網頁數據(response.body),提取結構化數據(生成item)
- 生成需要下一頁的URL請求。
將start_urls的值修改為需要爬取的第一個url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
修改parse()方法
def parse(self, response):
filename = "teacher.html"
open(filename, ‘w‘).write(response.body)
然後運行一下看看,在mySpider目錄下執行:
scrapy crawl itcast
是的,就是 itcast,看上面代碼,它是 ItcastSpider 類的 name 屬性,也就是使用 scrapy genspider
命令的唯一爬蟲名。
運行之後,如果打印的日誌出現 [scrapy] INFO: Spider closed (finished)
,代表執行完成。 之後當前文件夾中就出現了一個 teacher.html 文件,裏面就是我們剛剛要爬取的網頁的全部源代碼信息。
# 註意,Python2.x默認編碼環境是ASCII,當和取回的數據編碼格式不一致時,可能會造成亂碼;
# 我們可以指定保存內容的編碼格式,一般情況下,我們可以在代碼最上方添加:
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
# 這三行代碼是Python2.x裏解決中文編碼的萬能鑰匙,經過這麽多年的吐槽後Python3學乖了,默認編碼是Unicode了...(祝大家早日擁抱Python3)
2. 取數據
- 爬取整個網頁完畢,接下來的就是的取過程了,首先觀察頁面源碼:
<div class="li_txt">
<h3> xxx </h3>
<h4> xxxxx </h4>
<p> xxxxxxxx </p>
是不是一目了然?直接上XPath開始提取數據吧。
- 我們之前在mySpider/items.py 裏定義了一個ItcastItem類。 這裏引入進來
from mySpider.items import ItcastItem
- 然後將我們得到的數據封裝到一個
ItcastItem
對象中,可以保存每個老師的屬性:
from mySpider.items import ItcastItem
def parse(self, response):
#open("teacher.html","wb").write(response.body).close()
# 存放老師信息的集合
items = []
for each in response.xpath("//div[@class=‘li_txt‘]"):
# 將我們得到的數據封裝到一個 `ItcastItem` 對象
item = ItcastItem()
#extract()方法返回的都是unicode字符串
name = each.xpath("h3/text()").extract()
title = each.xpath("h4/text()").extract()
info = each.xpath("p/text()").extract()
#xpath返回的是包含一個元素的列表
item[‘name‘] = name[0]
item[‘title‘] = title[0]
item[‘info‘] = info[0]
items.append(item)
# 直接返回最後數據
return items
- 我們暫時先不處理管道,後面會詳細介紹。
保存數據
scrapy保存信息的最簡單的方法主要有四種,-o 輸出指定格式的文件,,命令如下:
# json格式,默認為Unicode編碼
scrapy crawl itcast -o teachers.json
# json lines格式,默認為Unicode編碼
scrapy crawl itcast -o teachers.jsonl
# csv 逗號表達式,可用Excel打開
scrapy crawl itcast -o teachers.csv
# xml格式
scrapy crawl itcast -o teachers.xml
思考
如果將代碼改成下面形式,結果完全一樣。
請思考 yield 在這裏的作用:
from mySpider.items import ItcastItem
def parse(self, response):
#open("teacher.html","wb").write(response.body).close()
# 存放老師信息的集合
#items = []
for each in response.xpath("//div[@class=‘li_txt‘]"):
# 將我們得到的數據封裝到一個 `ItcastItem` 對象
item = ItcastItem()
#extract()方法返回的都是unicode字符串
name = each.xpath("h3/text()").extract()
title = each.xpath("h4/text()").extract()
info = each.xpath("p/text()").extract()
#xpath返回的是包含一個元素的列表
item[‘name‘] = name[0]
item[‘title‘] = title[0]
item[‘info‘] = info[0]
#items.append(item)
#將獲取的數據交給pipelines
yield item
# 返回數據,不經過pipeline
#return items
scrapy框架系列 (2) 一個簡單案例