本章将从案例开始介绍python scrapy框架，更多内容请参考:python学习指南
入门案例
学习目标
- 创建一个Scrapy项目
- 定义提取的结构化数据(Item)
- 编写爬取网站的Spider并提取出结构化数据(Item)
- 编写Item Pipelines来存储提取到的Item(即结构化数据)
一、新建项目(scrapy startproject)
- 在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：
scrapy startproject cnblogSpider
- 其中，cnblogSpider为项目名称，可以看到将会创建一个cnblogSpider文件夹，目录结构大致如下：
scrapy.cfg:项目部署文件
cnblogSpider/: 该项目的python模块，之后可以在此加入代码
cnblogSpider/items.py: 项目中的item文件。
cnblogSpider/pipelines.py: 项目中的Pipelines文件。
cnblogSpider/settings.py: 项目的配置文件。
cnblogSpider/spiders/: 放置Spider代码的目录。
二、明确目标(mySpider/items.py)
我们打算抓取："http://www.cnblogs.com/miqi1992/default.html?page=2" 网站里博客地址、标题、创建时间、文本。
打开cnblogSpider目录下的items.py
item定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict,但是提供了一些额外的保护减少错误。
可以通过创建一个scrapy.item类，并且定义类型为scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。
接下来，创建一个CnblogspiderItem类，和模型item模型(model)。
import scrapy
class CnblogspiderItem(scrapy.Item):
# define the fields for your item here like:
url = scrapy.Field()
time = scrapy.Field()
title = scrapy.Field()
content = scrapy.Field()
三、制作爬虫(spiders/cnblogsSpider.py)
爬虫功能主要分两步：
1. 爬数据
- 在当前目录下输入命令，将在
cnblogSpider/spiders目录下创建一个名为cnblog的爬虫，并制定爬取域的范围：
scrapy genspider cnblog "cnblogs.com"
- 打开
cnblogSpider/spiders目录下的cnblog，默认增加了下列代码：
# -*- coding: utf-8 -*-
import scrapy
class CnblogSpider(scrapy.Spider):
name = 'cnblog'
allowed_domains = ['cnblogs.com']
start_urls = ['http://cnblogs.com/']
def parse(self, response):
pass
其实也可以由我们自行创建cnblog.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider,你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性和一个方法。
-
name = "": 这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。 -
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，不存在的URL会被忽略。 -
start_urls=():爬取的URL元祖/列表。爬虫从这里开始爬取数据，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(self, response):解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：- 负责解析返回的网页数据(respose.body),提取结构化数据(生成item)
- 生成需要下一页的URL请求
将start_urls的值改为需要爬取的第一个url：
start_urls=("http://www.cnblogs.com/miqi1992/default.html?page=2")
修改parse()方法
def parse(self, response):
filename = "cnblog.html"
with open(filename, 'w') as f:
f.write(response.body)
然后运行一下看看，在cnblogSpider目录下运行：
scrapy crawl cnblog
是的，就是cnblog,看上面代码，它是CnblogSpider类的name属性，也就是scrapy genspider命令的唯一爬虫名。
运行之后，如果打印的日志出现[scrapy]INFO: Spider closed(finished)，代表执行完成。之后当前文件夹中就出现了一个cnblog.html文件，里面就是我们刚刚要爬取的网页的全部源代码信息。
#注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码;
#我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：
import os
reload(sys)
sys.setdefaultencoding('utf-8')
#这三行代码是Python2.x里面解决中文编码的万能钥匙，警告这么多年的吐槽后Python3学乖了，默认编码是Unicode了
2.爬数据
-
爬取整个网页完毕，接下来就是取过程了，首先观察页面源码：
页面结构
<div class="day">
<div class="dayTitle">...</div>
<div class="postTitle">...</div>
<div class="postCon">...</div>
</div>
- XPath表达式如下：
- 所有文章：.//*[@class='day']
- 文章发表时间：.//*[@class='dayTitle']/a/text()
- 文章标题内容：.//*[@class='postTitle']/a/text()
- 文章摘要内容：.//*[@class='postCon']/div/text()
- 文章链接：.//*[@class='postTitle']/a/@href
是不是一目了然？直接上XPath开始提取数据吧。
- 我们之前在cnblogSpider/items.py里定义了一个CnblogItem类。这里引入进来
from cnblogSpider.items import CnblogspiderItem
- 然后将我们得到的数据封装到一个
CnblogspiderItem对象中，可以保存每个博客的属性：
form cnblogSpider.items import CnblogspiderItem
def parse(self, response):
# print(response.body)
# filename = "cnblog.html"
# with open(filename, 'w') as f:
# f.write(response.body)
#存放博客的集合
items = []
for each in response.xpath(".//*[@class='day']"):
item = CnblogspiderItem()
url = each.xpath('.//*[@class="postTitle"]/a/@href').extract()[0]
title = each.xpath('.//*[@class="postTitle"]/a/text()').extract()[0]
time = each.xpath('.//*[@class="dayTitle"]/a/text()').extract()[0]
content = each.xpath('.//*[@class="postCon"]/div/text()').extract()[0]
item['url'] = url
item['title'] = title
item['time'] = time
item['content'] = content
items.append(item)
#直接返回最后数据
return items
- 我们暂时先不处理管道，后面会详细介绍。
保存数据
scrapy保存信息的最简单的方法主要有四种， -o 输出指定格式的文件，命令如下：
#json格式，默认为Unicode编码
scrapy crawl cnblog -o cnblog.json
#json lines格式，默认为Unicode编码
scrapy crawl cnblog -o cnblog.jsonl
#csv逗号表达式，可用excel打开
scrapy crawl cnblog -o cnblog.csv
#xml格式
scrapy crawl cnblog -o cnblog.xml
思考
如果将代码改成下面形式，结果完全一样
请思考yield在这里的作用：
form cnblogSpider.items import CnblogspiderItem
def parse(self, response):
# print(response.body)
# filename = "cnblog.html"
# with open(filename, 'w') as f:
# f.write(response.body)
#存放博客的集合
# items = []
for each in response.xpath(".//*[@class='day']"):
item = CnblogspiderItem()
url = each.xpath('.//*[@class="postTitle"]/a/@href').extract()[0]
title = each.xpath('.//*[@class="postTitle"]/a/text()').extract()[0]
time = each.xpath('.//*[@class="dayTitle"]/a/text()').extract()[0]
content = each.xpath('.//*[@class="postCon"]/div/text()').extract()[0]
item['url'] = url
item['title'] = title
item['time'] = time
item['content'] = content
# items.append(item)
#将获取到的数据交给pipelines
yield item
#直接返回最后数据,不经过pipelines
#return items
