我們使用dmoz.org這個網(wǎng)站來作為小抓抓一展身手的對象。
首先先要回答一個問題。
問:把網(wǎng)站裝進爬蟲里,總共分幾步?
答案很簡單,四步:
新建項目 (Project):新建一個新的爬蟲項目
明確目標(Items):明確你想要抓取的目標
制作爬蟲(Spider):制作爬蟲開始爬取網(wǎng)頁
存儲內(nèi)容(Pipeline):設(shè)計管道存儲爬取內(nèi)容
好的,基本流程既然確定了,那接下來就一步一步的完成就可以了。
1.新建項目(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:
其中,tutorial為項目名稱。
可以看到將會創(chuàng)建一個tutorial文件夾,目錄結(jié)構(gòu)如下:
下面來簡單介紹一下各個文件的作用:
scrapy.cfg:項目的配置文件
tutorial/:項目的Python模塊,將會從這里引用代碼
tutorial/items.py:項目的items文件
tutorial/pipelines.py:項目的pipelines文件
tutorial/settings.py:項目的設(shè)置文件
tutorial/spiders/:存儲爬蟲的目錄
2.明確目標(Item)
在Scrapy中,items是用來加載抓取內(nèi)容的容器,有點像Python中的Dic,也就是字典,但是提供了一些額外的保護減少錯誤。
一般來說,item可以用scrapy.item.Item類來創(chuàng)建,并且用scrapy.item.Field對象來定義屬性(可以理解成類似于ORM的映射關(guān)系)。
接下來,我們開始來構(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。
因為要抓dmoz.org網(wǎng)站的內(nèi)容,所以我們可以將其命名為DmozItem:
剛開始看起來可能會有些看不懂,但是定義這些item能讓你用其他組件的時候知道你的 items到底是什么。
可以把Item簡單的理解成封裝好的類對象。
3.制作爬蟲(Spider)
制作爬蟲,總體分兩步:先爬再取。
也就是說,首先你要獲取整個網(wǎng)頁的所有內(nèi)容,然后再取出其中對你有用的部分。
3.1爬
Spider是用戶自己編寫的類,用來從一個域(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)頁內(nèi)容的方式,以此來提取items。
要建立一個Spider,你必須用scrapy.spider.BaseSpider創(chuàng)建一個子類,并確定三個強制的屬性:
name:爬蟲的識別名稱,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():解析的方法,調(diào)用的時候傳入從每一個URL傳回的Response對象作為唯一參數(shù),負責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存儲下來并依此為起點逐步擴散開去,抓取所有符合條件的網(wǎng)頁Url存儲起來繼續(xù)爬取。
下面我們來寫第一只爬蟲,命名為dmoz_spider.py,保存在tutorial\spiders目錄下。
dmoz_spider.py代碼如下:
allow_domains是搜索的域名范圍,也就是爬蟲的約束區(qū)域,規(guī)定爬蟲只爬取這個域名下的網(wǎng)頁。
從parse函數(shù)可以看出,將鏈接的最后兩個地址取出作為文件名進行存儲。
然后運行一下看看,在tutorial目錄下按住shift右擊,在此處打開命令窗口,輸入:
運行結(jié)果如圖:
報錯了:
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinalnot in range(128)
運行第一個Scrapy項目就報錯,真是命運多舛。
應該是出了編碼問題,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sitecustomize.py:
再次運行,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)成功運行并且自行關(guān)閉了。
包含 [dmoz]的行 ,那對應著我們的爬蟲運行的結(jié)果。
可以看到start_urls中定義的每個URL都有日志行。
還記得我們的start_urls嗎?
http://www.dmoz.org/Computers/Programming/Languages/Python/Bookshttp://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因為這些URL是起始頁面,所以他們沒有引用(referrers),所以在它們的每行末尾你會看到 (referer:
在parse 方法的作用下,兩個文件被創(chuàng)建:分別是 Books 和 Resources,這兩個文件中有URL的頁面內(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URL創(chuàng)建了一個 scrapy.http.Request 對象 ,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parse()方法返回scrapy.http.Response對象,并反饋給爬蟲。
3.2取
爬取整個網(wǎng)頁完畢,接下來的就是的取過程了。
光存儲一整個網(wǎng)頁還是不夠用的。
在基礎(chǔ)的爬蟲里,這一步可以用正則表達式來抓。
在Scrapy里,使用一種叫做 XPath selectors的機制,它基于 XPath表達式。
如果你想了解更多selectors和其他機制你可以查閱相關(guān)資料。
這是一些XPath表達式的例子和他們的含義
/html/head/title: 選擇HTML文檔
元素下面的/html/head/title/text(): 選擇前面提到的
//td: 選擇所有
//div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標簽元素
以上只是幾個使用XPath的簡單例子,但是實際上XPath非常強大。
為了方便使用XPaths,Scrapy提供XPathSelector 類,有兩種可以選擇,HtmlXPathSelector(HTML數(shù)據(jù)解析)和XmlXPathSelector(XML數(shù)據(jù)解析)。
必須通過一個 Response 對象對他們進行實例化操作。
你會發(fā)現(xiàn)Selector對象展示了文檔的節(jié)點結(jié)構(gòu)。因此,第一個實例化的selector必與根節(jié)點或者是整個目錄有關(guān) 。
在Scrapy里面,Selectors 有四種基礎(chǔ)的方法(點擊查看API文檔):
xpath():返回一系列的selectors,每一個select表示一個xpath參數(shù)表達式選擇的節(jié)點
css():返回一系列的selectors,每一個select表示一個css參數(shù)表達式選擇的節(jié)點
extract():返回一個unicode字符串,為選中的數(shù)據(jù)
re():返回一串一個unicode字符串,為使用正則表達式抓取出來的內(nèi)容
3.3xpath實驗
下面我們在Shell里面嘗試一下Selector的用法。
實驗的網(wǎng)址:http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了實驗的小白鼠,接下來就是用Shell爬取網(wǎng)頁了。
進入到項目的頂層目錄,也就是第一層tutorial文件夾下,在cmd中輸入:
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,存儲在本地變量 response中。
所以如果你輸入response.body,你將會看到response的body部分,也就是抓取到的頁面內(nèi)容:
或者輸入response.headers 來查看它的 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就是這樣一個篩子。
在舊的版本中,Shell實例化兩種selectors,一個是解析HTML的 hxs 變量,一個是解析XML 的 xxs 變量。
而現(xiàn)在的Shell為我們準備好的selector對象,sel,可以根據(jù)返回的數(shù)據(jù)類型自動選擇最佳的解析方案(XML or HTML)。
然后我們來搗弄一下!~
要徹底搞清楚這個問題,首先先要知道,抓到的頁面到底是個什么樣子。
比如,我們要抓取網(wǎng)頁的標題,也就是
可以輸入:
結(jié)果就是:
這樣就能把這個標簽取出來了,用extract()和text()還可以進一步做處理。
備注:簡單的羅列一下有用的xpath路徑表達式:
表達式
描述
nodename 選取此節(jié)點的所有子節(jié)點。
/ 從根節(jié)點選取。
// 從匹配選擇的當前節(jié)點選擇文檔中的節(jié)點,而不考慮它們的位置。
. 選取當前節(jié)點。
.. 選取當前節(jié)點的父節(jié)點。
@ 選取屬性。
全部的實驗結(jié)果如下,In[i]表示第i次實驗的輸入,Out[i]表示第i次結(jié)果的輸出:
當然title這個標簽對我們來說沒有太多的價值,下面我們就來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抓取這個
從
可以這樣獲取網(wǎng)站的標題:
可以這樣獲取網(wǎng)站的超鏈接:
當然,前面的這些例子是直接獲取屬性的方法。
我們注意到xpath返回了一個對象列表,
那么我們也可以直接調(diào)用這個列表中對象的屬性挖掘更深的節(jié)點
(參考:Nesting selectorsandWorking with relative XPathsin theSelectors):
3.4xpath實戰(zhàn)
我們用shell做了這么久的實戰(zhàn),最后我們可以把前面學習到的內(nèi)容應用到dmoz_spider這個爬蟲中。
在原爬蟲的parse函數(shù)中做如下修改:
注意,我們從scrapy.selector中導入了Selector類,并且實例化了一個新的Selector對象。這樣我們就可以像Shell中一樣操作xpath了。
我們來試著輸入一下命令運行爬蟲(在tutorial根目錄里面):
scrapy crawl dmoz
運行結(jié)果如下:
果然,成功的抓到了所有的標題。但是好像不太對啊,怎么Top,Python這種導航欄也抓取出來了呢?
我們只需要紅圈中的內(nèi)容:
看來是我們的xpath語句有點問題,沒有僅僅把我們需要的項目名稱抓取出來,也抓了一些無辜的但是xpath語法相同的元素。
審查元素我們發(fā)現(xiàn)我們需要的
- 具有class='directory-url'的屬性,
-
python
+關(guān)注
關(guān)注
56文章
4797瀏覽量
84690 -
爬蟲
+關(guān)注
關(guān)注
0文章
82瀏覽量
6881
那么只要把xpath語句改成sel.xpath('//ul[@class="directory-url"]/li')即可
將xpath語句做如下調(diào)整:
成功抓出了所有的標題,絕對沒有濫殺無辜:
3.5使用Item
接下來我們來看一看如何使用Item。
前面我們說過,Item 對象是自定義的python字典,可以使用標準字典語法獲取某個屬性的值:
作為一只爬蟲,Spiders希望能將其抓取的數(shù)據(jù)存放到Item對象中。為了返回我們抓取數(shù)據(jù),spider的最終代碼應當是這樣:
4.存儲內(nèi)容(Pipeline)
保存信息的最簡單的方法是通過Feed exports,主要有四種:JSON,JSON lines,CSV,XML。
我們將結(jié)果用最常用的JSON導出,命令如下:
-o 后面是導出文件名,-t 后面是導出類型。
然后來看一下導出的結(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):
因為這個只是一個小型的例子,所以這樣簡單的處理就可以了。
如果你想用抓取的items做更復雜的事情,你可以寫一個 Item Pipeline(條目管道)。
原文標題:爬蟲框架Scrapy的第一個爬蟲示例入門教程
文章出處:【微信號:magedu-Linux,微信公眾號:馬哥Linux運維】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論