我們使用dmoz.org這個(gè)網(wǎng)站來(lái)作為小抓抓一展身手的對(duì)象。
首先先要回答一個(gè)問(wèn)題。
問(wèn):把網(wǎng)站裝進(jìn)爬蟲(chóng)里,總共分幾步?
答案很簡(jiǎn)單,四步:
新建項(xiàng)目 (Project):新建一個(gè)新的爬蟲(chóng)項(xiàng)目
明確目標(biāo)(Items):明確你想要抓取的目標(biāo)
制作爬蟲(chóng)(Spider):制作爬蟲(chóng)開(kāi)始爬取網(wǎng)頁(yè)
存儲(chǔ)內(nèi)容(Pipeline):設(shè)計(jì)管道存儲(chǔ)爬取內(nèi)容
好的,基本流程既然確定了,那接下來(lái)就一步一步的完成就可以了。
1.新建項(xiàng)目(Project)
在空目錄下按住Shift鍵右擊,選擇“在此處打開(kāi)命令窗口”,輸入一下命令:
其中,tutorial為項(xiàng)目名稱。
可以看到將會(huì)創(chuàng)建一個(gè)tutorial文件夾,目錄結(jié)構(gòu)如下:
下面來(lái)簡(jiǎn)單介紹一下各個(gè)文件的作用:
scrapy.cfg:項(xiàng)目的配置文件
tutorial/:項(xiàng)目的Python模塊,將會(huì)從這里引用代碼
tutorial/items.py:項(xiàng)目的items文件
tutorial/pipelines.py:項(xiàng)目的pipelines文件
tutorial/settings.py:項(xiàng)目的設(shè)置文件
tutorial/spiders/:存儲(chǔ)爬蟲(chóng)的目錄
2.明確目標(biāo)(Item)
在Scrapy中,items是用來(lái)加載抓取內(nèi)容的容器,有點(diǎn)像Python中的Dic,也就是字典,但是提供了一些額外的保護(hù)減少錯(cuò)誤。
一般來(lái)說(shuō),item可以用scrapy.item.Item類來(lái)創(chuàng)建,并且用scrapy.item.Field對(duì)象來(lái)定義屬性(可以理解成類似于ORM的映射關(guān)系)。
接下來(lái),我們開(kāi)始來(lái)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?yàn)橐moz.org網(wǎng)站的內(nèi)容,所以我們可以將其命名為DmozItem:
剛開(kāi)始看起來(lái)可能會(huì)有些看不懂,但是定義這些item能讓你用其他組件的時(shí)候知道你的 items到底是什么。
可以把Item簡(jiǎn)單的理解成封裝好的類對(duì)象。
3.制作爬蟲(chóng)(Spider)
制作爬蟲(chóng),總體分兩步:先爬再取。
也就是說(shuō),首先你要獲取整個(gè)網(wǎng)頁(yè)的所有內(nèi)容,然后再取出其中對(duì)你有用的部分。
3.1爬
Spider是用戶自己編寫的類,用來(lái)從一個(gè)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(yè)內(nèi)容的方式,以此來(lái)提取items。
要建立一個(gè)Spider,你必須用scrapy.spider.BaseSpider創(chuàng)建一個(gè)子類,并確定三個(gè)強(qiáng)制的屬性:
name:爬蟲(chóng)的識(shí)別名稱,必須是唯一的,在不同的爬蟲(chóng)中你必須定義不同的名字。
start_urls:爬取的URL列表。爬蟲(chóng)從這里開(kāi)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(kāi)始。其他子URL將會(huì)從這些起始URL中繼承性生成。
parse():解析的方法,調(diào)用的時(shí)候傳入從每一個(gè)URL傳回的Response對(duì)象作為唯一參數(shù),負(fù)責(zé)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(chóng)教程中提及的思想來(lái)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(chóng)。
也就是把Url存儲(chǔ)下來(lái)并依此為起點(diǎn)逐步擴(kuò)散開(kāi)去,抓取所有符合條件的網(wǎng)頁(yè)Url存儲(chǔ)起來(lái)繼續(xù)爬取。
下面我們來(lái)寫第一只爬蟲(chóng),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(chóng)的約束區(qū)域,規(guī)定爬蟲(chóng)只爬取這個(gè)域名下的網(wǎng)頁(yè)。
從parse函數(shù)可以看出,將鏈接的最后兩個(gè)地址取出作為文件名進(jìn)行存儲(chǔ)。
然后運(yùn)行一下看看,在tutorial目錄下按住shift右擊,在此處打開(kāi)命令窗口,輸入:
運(yùn)行結(jié)果如圖:
報(bào)錯(cuò)了:
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinalnot in range(128)
運(yùn)行第一個(gè)Scrapy項(xiàng)目就報(bào)錯(cuò),真是命運(yùn)多舛。
應(yīng)該是出了編碼問(wèn)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(gè)sitecustomize.py:
再次運(yùn)行,OK,問(wèn)題解決了,看一下結(jié)果:
最后一句INFO: Closing spider (finished)表明爬蟲(chóng)已經(jīng)成功運(yùn)行并且自行關(guān)閉了。
包含 [dmoz]的行 ,那對(duì)應(yīng)著我們的爬蟲(chóng)運(yùn)行的結(jié)果。
可以看到start_urls中定義的每個(gè)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?yàn)檫@些URL是起始頁(yè)面,所以他們沒(méi)有引用(referrers),所以在它們的每行末尾你會(huì)看到 (referer:
在parse 方法的作用下,兩個(gè)文件被創(chuàng)建:分別是 Books 和 Resources,這兩個(gè)文件中有URL的頁(yè)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(chóng)的 start_urls屬性中的每個(gè)URL創(chuàng)建了一個(gè) scrapy.http.Request 對(duì)象 ,并將爬蟲(chóng)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(guò)parse()方法返回scrapy.http.Response對(duì)象,并反饋給爬蟲(chóng)。
3.2取
爬取整個(gè)網(wǎng)頁(yè)完畢,接下來(lái)的就是的取過(guò)程了。
光存儲(chǔ)一整個(gè)網(wǎng)頁(yè)還是不夠用的。
在基礎(chǔ)的爬蟲(chóng)里,這一步可以用正則表達(dá)式來(lái)抓。
在Scrapy里,使用一種叫做 XPath selectors的機(jī)制,它基于 XPath表達(dá)式。
如果你想了解更多selectors和其他機(jī)制你可以查閱相關(guān)資料。
這是一些XPath表達(dá)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(biāo)簽元素
以上只是幾個(gè)使用XPath的簡(jiǎn)單例子,但是實(shí)際上XPath非常強(qiáng)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(guò)一個(gè) Response 對(duì)象對(duì)他們進(jìn)行實(shí)例化操作。
你會(huì)發(fā)現(xiàn)Selector對(duì)象展示了文檔的節(jié)點(diǎn)結(jié)構(gòu)。因此,第一個(gè)實(shí)例化的selector必與根節(jié)點(diǎn)或者是整個(gè)目錄有關(guān) 。
在Scrapy里面,Selectors 有四種基礎(chǔ)的方法(點(diǎn)擊查看API文檔):
xpath():返回一系列的selectors,每一個(gè)select表示一個(gè)xpath參數(shù)表達(dá)式選擇的節(jié)點(diǎn)
css():返回一系列的selectors,每一個(gè)select表示一個(gè)css參數(shù)表達(dá)式選擇的節(jié)點(diǎn)
extract():返回一個(gè)unicode字符串,為選中的數(shù)據(jù)
re():返回一串一個(gè)unicode字符串,為使用正則表達(dá)式抓取出來(lái)的內(nèi)容
3.3xpath實(shí)驗(yàn)
下面我們?cè)赟hell里面嘗試一下Selector的用法。
實(shí)驗(yàn)的網(wǎng)址:http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了實(shí)驗(yàn)的小白鼠,接下來(lái)就是用Shell爬取網(wǎng)頁(yè)了。
進(jìn)入到項(xiàng)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(yīng),存儲(chǔ)在本地變量 response中。
所以如果你輸入response.body,你將會(huì)看到response的body部分,也就是抓取到的頁(yè)面內(nèi)容:
或者輸入response.headers 來(lái)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(gè)篩子。
在舊的版本中,Shell實(shí)例化兩種selectors,一個(gè)是解析HTML的 hxs 變量,一個(gè)是解析XML 的 xxs 變量。
而現(xiàn)在的Shell為我們準(zhǔn)備好的selector對(duì)象,sel,可以根據(jù)返回的數(shù)據(jù)類型自動(dòng)選擇最佳的解析方案(XML or HTML)。
然后我們來(lái)?yè)v弄一下!~
要徹底搞清楚這個(gè)問(wèn)題,首先先要知道,抓到的頁(yè)面到底是個(gè)什么樣子。
比如,我們要抓取網(wǎng)頁(yè)的標(biāo)題,也就是
可以輸入:
結(jié)果就是:
這樣就能把這個(gè)標(biāo)簽取出來(lái)了,用extract()和text()還可以進(jìn)一步做處理。
備注:簡(jiǎn)單的羅列一下有用的xpath路徑表達(dá)式:
表達(dá)式
描述
nodename 選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)。
/ 從根節(jié)點(diǎn)選取。
// 從匹配選擇的當(dāng)前節(jié)點(diǎn)選擇文檔中的節(jié)點(diǎn),而不考慮它們的位置。
. 選取當(dāng)前節(jié)點(diǎn)。
.. 選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)。
@ 選取屬性。
全部的實(shí)驗(yàn)結(jié)果如下,In[i]表示第i次實(shí)驗(yàn)的輸入,Out[i]表示第i次結(jié)果的輸出:
當(dāng)然title這個(gè)標(biāo)簽對(duì)我們來(lái)說(shuō)沒(méi)有太多的價(jià)值,下面我們就來(lái)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(lái)抓取這個(gè)
從
可以這樣獲取網(wǎng)站的標(biāo)題:
可以這樣獲取網(wǎng)站的超鏈接:
當(dāng)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(gè)對(duì)象列表,
那么我們也可以直接調(diào)用這個(gè)列表中對(duì)象的屬性挖掘更深的節(jié)點(diǎn)
(參考:Nesting selectorsandWorking with relative XPathsin theSelectors):
3.4xpath實(shí)戰(zhàn)
我們用shell做了這么久的實(shí)戰(zhàn),最后我們可以把前面學(xué)習(xí)到的內(nèi)容應(yīng)用到dmoz_spider這個(gè)爬蟲(chóng)中。
在原爬蟲(chóng)的parse函數(shù)中做如下修改:
注意,我們從scrapy.selector中導(dǎo)入了Selector類,并且實(shí)例化了一個(gè)新的Selector對(duì)象。這樣我們就可以像Shell中一樣操作xpath了。
我們來(lái)試著輸入一下命令運(yùn)行爬蟲(chóng)(在tutorial根目錄里面):
scrapy crawl dmoz
運(yùn)行結(jié)果如下:
果然,成功的抓到了所有的標(biāo)題。但是好像不太對(duì)啊,怎么Top,Python這種導(dǎo)航欄也抓取出來(lái)了呢?
我們只需要紅圈中的內(nèi)容:
看來(lái)是我們的xpath語(yǔ)句有點(diǎn)問(wèn)題,沒(méi)有僅僅把我們需要的項(xiàng)目名稱抓取出來(lái),也抓了一些無(wú)辜的但是xpath語(yǔ)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
54文章
4759瀏覽量
84303 -
爬蟲(chóng)
+關(guān)注
關(guān)注
0文章
82瀏覽量
6803
那么只要把xpath語(yǔ)句改成sel.xpath('//ul[@class="directory-url"]/li')即可
將xpath語(yǔ)句做如下調(diào)整:
成功抓出了所有的標(biāo)題,絕對(duì)沒(méi)有濫殺無(wú)辜:
3.5使用Item
接下來(lái)我們來(lái)看一看如何使用Item。
前面我們說(shuō)過(guò),Item 對(duì)象是自定義的python字典,可以使用標(biāo)準(zhǔn)字典語(yǔ)法獲取某個(gè)屬性的值:
作為一只爬蟲(chóng),Spiders希望能將其抓取的數(shù)據(jù)存放到Item對(duì)象中。為了返回我們抓取數(shù)據(jù),spider的最終代碼應(yīng)當(dāng)是這樣:
4.存儲(chǔ)內(nèi)容(Pipeline)
保存信息的最簡(jiǎn)單的方法是通過(guò)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(dǎo)出,命令如下:
-o 后面是導(dǎo)出文件名,-t 后面是導(dǎo)出類型。
然后來(lái)看一下導(dǎo)出的結(jié)果,用文本編輯器打開(kāi)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?yàn)檫@個(gè)只是一個(gè)小型的例子,所以這樣簡(jiǎn)單的處理就可以了。
如果你想用抓取的items做更復(fù)雜的事情,你可以寫一個(gè) Item Pipeline(條目管道)。
原文標(biāo)題:爬蟲(chóng)框架Scrapy的第一個(gè)爬蟲(chóng)示例入門教程
文章出處:【微信號(hào):magedu-Linux,微信公眾號(hào):馬哥Linux運(yùn)維】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論