入門案例

學(xué)習(xí)目標(biāo)

• 創(chuàng)建一個(gè)Scrapy項(xiàng)目
• 定義提取的結(jié)構(gòu)化數(shù)據(jù)(Item)
• 編寫爬取網(wǎng)站的 Spider 并提取出結(jié)構(gòu)化數(shù)據(jù)(Item)
• 編寫 Item Pipelines 來存儲(chǔ)提取到的Item(即結(jié)構(gòu)化數(shù)據(jù))

一. 新建項(xiàng)目(scrapy startproject)

• 在開始爬取之前，必須創(chuàng)建一個(gè)新的Scrapy項(xiàng)目。進(jìn)入自定義的項(xiàng)目目錄中，運(yùn)行下列命令：

      scrapy startproject mySpider
  

• 其中， mySpider 為項(xiàng)目名稱，可以看到將會(huì)創(chuàng)建一個(gè) mySpider 文件夾，目錄結(jié)構(gòu)大致如下：

  
  
  image.png
  
  

  下面來簡(jiǎn)單介紹一下各個(gè)主要文件的作用：
  scrapy.cfg ：項(xiàng)目的配置文件

    mySpider/ ：項(xiàng)目的Python模塊，將會(huì)從這里引用代碼
  
    mySpider/items.py ：項(xiàng)目的目標(biāo)文件
  
    mySpider/pipelines.py ：項(xiàng)目的管道文件
  
    mySpider/settings.py ：項(xiàng)目的設(shè)置文件
  
    mySpider/spiders/ ：存儲(chǔ)爬蟲代碼目錄
  

二、明確目標(biāo)(mySpider/items.py)

我們打算抓?。?a target="_blank" rel="nofollow">http://www.itcast.cn/channel/teacher.shtml 網(wǎng)站里的所有講師的姓名、職稱和個(gè)人信息。

1. 打開mySpider目錄下的items.py

2. Item 定義結(jié)構(gòu)化數(shù)據(jù)字段，用來保存爬取到的數(shù)據(jù)，有點(diǎn)像Python中的dict，但是提供了一些額外的保護(hù)減少錯(cuò)誤。

3. 可以通過創(chuàng)建一個(gè) scrapy.Item 類， 并且定義類型為 scrapy.Field的類屬性來定義一個(gè)Item（可以理解成類似于ORM的映射關(guān)系）。

4. 接下來，創(chuàng)建一個(gè)ItcastItem 類，和構(gòu)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）

1. 爬數(shù)據(jù)

• 在當(dāng)前目錄下輸入命令，將在mySpider/spider目錄下創(chuàng)建一個(gè)名為itcast的爬蟲，并指定爬取域的范圍：

  scrapy genspider itcast "itcast.cn"
  

• 打開 mySpider/spider目錄里的 itcast.py，默認(rèn)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(shí)也可以由我們自行創(chuàng)建itcast.py并編寫上面的代碼，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(gè)Spider， 你必須用scrapy.Spider類創(chuàng)建一個(gè)子類，并確定了三個(gè)強(qiáng)制的屬性 和 一個(gè)方法。

• name = "" ：這個(gè)爬蟲的識(shí)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 = [] 是搜索的域名范圍，也就是爬蟲的約束區(qū)域，規(guī)定爬蟲只爬取這個(gè)域名下的網(wǎng)頁(yè)，不存在的URL會(huì)被忽略。

• start_urls = () ：爬取的URL元祖/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(huì)從這些urls開始。其他子URL將會(huì)從這些起始URL中繼承性生成。

• parse(self, response) ：解析的方法，每個(gè)初始URL完成下載后將被調(diào)用，調(diào)用的時(shí)候傳入從每一個(gè)URL傳回的Response對(duì)象來作為唯一參數(shù)，主要作用如下：

• 1.負(fù)責(zé)解析返回的網(wǎng)頁(yè)數(shù)據(jù)(response.body)，提取結(jié)構(gòu)化數(shù)據(jù)(生成item)

• 2.生成需要下一頁(yè)的URL請(qǐng)求。

將start_urls的值修改為需要爬取的第一個(gè)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)

然后運(yùn)行一下看看，在mySpider目錄下執(zhí)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(yùn)行之后，如果打印的日志出現(xiàn) [scrapy] INFO: Spider closed (finished)，代表執(zhí)行完成。 之后當(dāng)前文件夾中就出現(xiàn)了一個(gè) teacher.html 文件，里面就是我們剛剛要爬取的網(wǎng)頁(yè)的全部源代碼信息。

    # 注意，Python2.x默認(rèn)編碼環(huán)境是ASCII，當(dāng)和取回的數(shù)據(jù)編碼格式不一致時(shí)，可能會(huì)造成亂碼；
    # 我們可以指定保存內(nèi)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里解決中文編碼的萬(wàn)能鑰匙，經(jīng)過這么多年的吐槽后Python3學(xué)乖了，默認(rèn)編碼是Unicode了...(祝大家早日擁抱Python3)

2. 取數(shù)據(jù)

• 爬取整個(gè)網(wǎng)頁(yè)完畢，接下來的就是的取過程了，首先觀察頁(yè)面源碼：

  
  
  image.png

    <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(shù)據(jù)吧。

• 我們之前在mySpider/items.py 里定義了一個(gè)ItcastItem類。 這里引入進(jìn)來
  from mySpider.items import ItcastItem

• 然后將我們得到的數(shù)據(jù)封裝到一個(gè) ItcastItem 對(duì)象中，可以保存每個(gè)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("http://div[@class='li_txt']"):
            # 將我們得到的數(shù)據(jù)封裝到一個(gè) `ItcastItem` 對(duì)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(gè)元素的列表
            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]
  
            items.append(item)
  
        # 直接返回最后數(shù)據(jù)
        return items
  

• 我們暫時(shí)先不處理管道，后面會(huì)詳細(xì)介紹。

保存數(shù)據(jù)

scrapy保存信息的最簡(jiǎn)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(rèn)為Unicode編碼
    scrapy crawl itcast -o teachers.json

    # json lines格式，默認(rèn)為Unicode編碼
    scrapy crawl itcast -o teachers.jsonl

    # csv 逗號(hào)表達(dá)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(jié)果完全一樣。

請(qǐng)思考 yield 在這里的作用：

    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("http://div[@class='li_txt']"):
            # 將我們得到的數(shù)據(jù)封裝到一個(gè) `ItcastItem` 對(duì)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(gè)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(shù)據(jù)交給pipelines
            yield item

        # 返回?cái)?shù)據(jù)，不經(jīng)過pipeline
        #return items