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。

1. 打開mySpider目錄下的items.py

2. 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。

3. 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）。

4. 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
  目錄下創建一個名為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：

  1. 負責解析返回的網頁數據(response.body)，提取結構化數據(生成item)
  2. 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