爬虫框架 Scrapy 的第一个爬虫示例入门教程
我们使用 dmoz.org 这个网站来作为小抓抓一展身手的对象。
首先先要回答一个问题。
问:把网站装进爬虫里,总共分几步?
答案很简单,四步:
- 新建项目 (Project):新建一个新的爬虫项目
- 明确目标(Items):明确你想要抓取的目标
- 制作爬虫(Spider):制作爬虫开始爬取网页
- 存储内容(Pipeline):设计管道存储爬取内容
好的,基本流程既然确定了,那接下来就一步一步的完成就可以了。
新建项目(Project)
在空目录下按住 Shift 键右击,选择“在此处打开命令窗口”,输入一下命令:
scrapy startproject tutorial
其中,tutorial 为项目名称。
可以看到将会创建一个 tutorial 文件夹,目录结构如下:
tutorial/
scrapy.cfg
tutorial/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
下面来简单介绍一下各个文件的作用:
- scrapy.cfg:项目的配置文件
- tutorial/:项目的 Python 模块,将会从这里引用代码
- tutorial/items.py:项目的 items 文件
- tutorial/pipelines.py:项目的 pipelines 文件
- tutorial/settings.py:项目的设置文件
- tutorial/spiders/:存储爬虫的目录
明确目标(Item)
在 Scrapy 中,items 是用来加载抓取内容的容器,有点像 Python 中的 Dic,也就是字典,但是提供了一些额外的保护减少错误。
一般来说,item 可以用 scrapy.item.Item 类来创建,并且用 scrapy.item.Field 对象来定义属性(可以理解成类似于 ORM 的映射关系)。
接下来,我们开始来构建 item 模型(model)。
首先,我们想要的内容有:
- 名称(name)
- 链接(url)
- 描述(description)
修改 tutorial 目录下的 items.py 文件,在原本的 class 后面添加我们自己的 class。 因为要抓 dmoz.org 网站的内容,所以我们可以将其命名为 DmozItem:
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
from scrapy.item import Item, Field
class TutorialItem(Item):
# define the fields for your item here like:
# name = Field()
pass
class DmozItem(Item):
title = Field()
link = Field()
desc = Field()
刚开始看起来可能会有些看不懂,但是定义这些 item 能让你用其他组件的时候知道你的 items 到底是什么。 可以把 Item 简单的理解成封装好的类对象。
制作爬虫(Spider)
制作爬虫,总体分两步:先爬再取。
也就是说,首先你要获取整个网页的所有内容,然后再取出其中对你有用的部分。
爬
Spider 是用户自己编写的类,用来从一个域(或域组)中抓取信息。 他们定义了用于下载的 URL 列表、跟踪链接的方案、解析网页内容的方式,以此来提取 items。 要建立一个 Spider,你必须用 scrapy.spider.BaseSpider 创建一个子类,并确定三个强制的属性:
- name:爬虫的识别名称,必须是唯一的,在不同的爬虫中你必须定义不同的名字。
- start_urls:爬取的 URL 列表。爬虫从这里开始抓取数据,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():解析的方法,调用的时候传入从每一个 URL 传回的 Response 对象作为唯一参数,负责解析并匹配抓取的数据(解析为 item),跟踪更多的 URL。
这里可以参考宽度爬虫教程中提及的思想来帮助理解,教程传送:[Java] 知乎下巴第5集:使用HttpClient工具包和宽度爬虫。
也就是把 Url 存储下来并依此为起点逐步扩散开去,抓取所有符合条件的网页 Url 存储起来继续爬取。
下面我们来写第一只爬虫,命名为 dmoz_spider.py,保存在 tutorial\spiders 目录下。
dmoz_spider.py 代码如下:
from scrapy.spider import Spider
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
filename = response.url.split("/")[-2]
open(filename, 'wb').write(response.body)
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。 从 parse 函数可以看出,将链接的最后两个地址取出作为文件名进行存储。 然后运行一下看看,在 tutorial 目录下按住 shift 右击,在此处打开命令窗口,输入:
scrapy crawl dmoz
运行结果如图:
报错了:
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)
运行第一个 Scrapy 项目就报错,真是命运多舛。应该是出了编码问题,谷歌了一下找到了解决方案:
在 python 的 Lib\site-packages 文件夹下新建一个 sitecustomize.py:
import sys
sys.setdefaultencoding('gb2312')
再次运行,OK,问题解决了,看一下结果:
最后一句 INFO: Closing spider (finished)表明爬虫已经成功运行并且自行关闭了。
包含[dmoz]的行,那对应着我们的爬虫运行的结果。
可以看到 start_urls 中定义的每个URL都有日志行。
还记得我们的 start_urls 吗?
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因为这些 URL 是起始页面,所以他们没有引用(referrers),所以在它们的每行末尾你会看到 (referer: <None>
)。
在 parse 方法的作用下,两个文件被创建:分别是 Books 和 Resources,这两个文件中有 URL 的页面内容。
那么在刚刚的电闪雷鸣之中到底发生了什么呢? 首先,Scrapy 为爬虫的 start_urls 属性中的每个 URL 创建了一个 scrapy.http.Request 对象 ,并将爬虫的 parse 方法指定为回调函数。 然后,这些 Request 被调度并执行,之后通过 parse()方法返回 scrapy.http.Response 对象,并反馈给爬虫。
取
爬取整个网页完毕,接下来的就是的取过程了。光存储一整个网页还是不够用的。在基础的爬虫里,这一步可以用正则表达式来抓。在 Scrapy 里,使用一种叫做 XPath selectors 的机制,它基于 XPath 表达式。 如果你想了解更多 selectors 和其他机制你可以查阅资料:点我点我
这是一些 XPath 表达式的例子和他们的含义
- /html/head/title: 选择 HTML 文档
<head>
元素下面的<title>
标签。 - /html/head/title/text(): 选择前面提到的
<title>
元素下面的文本内容 - //td: 选择所有
<td>
元素 - //div[@class="mine"]: 选择所有包含 class="mine" 属性的 div 标签元素
以上只是几个使用 XPath 的简单例子,但是实际上 XPath 非常强大。 可以参照 W3C 教程:点我点我。
为了方便使用 XPaths,Scrapy 提供 XPathSelector 类,有两种可以选择,HtmlXPathSelector(HTML 数据解析)和 XmlXPathSelector(XML 数据解析)。必须通过一个 Response 对象对他们进行实例化操作。 你会发现 Selector 对象展示了文档的节点结构。因此,第一个实例化的 selector 必与根节点或者是整个目录有关 。
在 Scrapy 里面,Selectors 有四种基础的方法(点击查看 API 文档):
- xpath():返回一系列的 selectors,每一个 select 表示一个 xpath 参数表达式选择的节点
- css():返回一系列的 selectors,每一个 select 表示一个 css 参数表达式选择的节点
- extract():返回一个 unicode 字符串,为选中的数据
- re():返回一串一个 unicode 字符串,为使用正则表达式抓取出来的内容
xpath 实验
下面我们在 Shell 里面尝试一下 Selector 的用法。 实验的网址:http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了实验的小白鼠,接下来就是用 Shell 爬取网页了。进入到项目的顶层目录,也就是第一层 tutorial 文件夹下,在 cmd 中输入:
scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
回车后可以看到如下的内容:
在 Shell 载入后,你将获得 response 回应,存储在本地变量 response 中。 所以如果你输入 response.body,你将会看到 response 的 body 部分,也就是抓取到的页面内容:
或者输入 response.headers 来查看它的 header 部分:
现在就像是一大堆沙子握在手里,里面藏着我们想要的金子,所以下一步,就是用筛子摇两下,把杂质出去,选出关键的内容。
selector 就是这样一个筛子。 在旧的版本中,Shell 实例化两种 selectors,一个是解析 HTML 的 hxs 变量,一个是解析 XML 的 xxs 变量。
而现在的 Shell 为我们准备好的 selector 对象,sel,可以根据返回的数据类型自动选择最佳的解析方案(XML or HTML)。
然后我们来捣弄一下!~
要彻底搞清楚这个问题,首先先要知道,抓到的页面到底是个什么样子。
比如,我们要抓取网页的标题,也就是 <title>
这个标签:
可以输入:
sel.xpath('//title')
结果就是:
这样就能把这个标签取出来了,用 extract()和 text()还可以进一步做处理。
备注:简单的罗列一下有用的 xpath 路径表达式:
表达式 | 描述 |
nodename | 选取此节点的所有子节点。 |
/ | 从根节点选取。 |
// | 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。 |
. | 选取当前节点。 |
.. | 选取当前节点的父节点。 |
@ | 选取属性。 |
全部的实验结果如下,In[i]表示第 i 次实验的输入,Out[i]表示第 i 次结果的输出(建议大家参照:W3C 教程):
In [1]: sel.xpath('//title')
Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]
In [2]: sel.xpath('//title').extract()
Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']
In [3]: sel.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]
In [4]: sel.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']
In [5]: sel.xpath('//title/text()').re('(\w+):')
Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']
当然 title 这个标签对我们来说没有太多的价值,下面我们就来真正抓取一些有意义的东西。 使用火狐的审查元素我们可以清楚地看到,我们需要的东西如下:
我们可以用如下代码来抓取这个 <li>
标签:
sel.xpath('//ul/li')
从 <li>
标签中,可以这样获取网站的描述:
sel.xpath('//ul/li/text()').extract()
可以这样获取网站的标题:
sel.xpath('//ul/li/a/text()').extract()
可以这样获取网站的超链接:
sel.xpath('//ul/li/a/@href').extract()
当然,前面的这些例子是直接获取属性的方法。
我们注意到 xpath 返回了一个对象列表,
那么我们也可以直接调用这个列表中对象的属性挖掘更深的节点。
(参考:Nesting selectors and Working with relative XPaths in the Selectors):
sites = sel.xpath('//ul/li')
for site in sites:
title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('text()').extract()
print title, link, desc
xpath 实战
我们用 shell 做了这么久的实战,最后我们可以把前面学习到的内容应用到 dmoz_spider 这个爬虫中。
在原爬虫的 parse 函数中做如下修改:
from scrapy.spider import Spider
from scrapy.selector import Selector
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
sel = Selector(response)
sites = sel.xpath('//ul/li')
for site in sites:
title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('text()').extract()
print title
注意,我们从 scrapy.selector 中导入了 Selector 类,并且实例化了一个新的 Selector 对象。这样我们就可以像 Shell 中一样操作 xpath 了。
我们来试着输入一下命令运行爬虫(在 tutorial 根目录里面):
scrapy crawl dmoz
运行结果如下:
果然,成功的抓到了所有的标题。但是好像不太对啊,怎么 Top,Python 这种导航栏也抓取出来了呢? 我们只需要红圈中的内容:
看来是我们的 xpath 语句有点问题,没有仅仅把我们需要的项目名称抓取出来,也抓了一些无辜的但是 xpath 语法相同的元素。审查元素我们发现我们需要的 <ul>
具有 class='directory-url'
的属性,
那么只要把 xpath 语句改成 sel.xpath('//ul[@class="directory-url"]/li')
即可
将 xpath 语句做如下调整:
from scrapy.spider import Spider
from scrapy.selector import Selector
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
sel = Selector(response)
sites = sel.xpath('//ul[@class="directory-url"]/li')
for site in sites:
title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('text()').extract()
print title
成功抓出了所有的标题,绝对没有滥杀无辜:
使用 Item
接下来我们来看一看如何使用 Item。前面我们说过,Item 对象是自定义的 python 字典,可以使用标准字典语法获取某个属性的值:
>>> item = DmozItem()
>>> item['title'] = 'Example title'
>>> item['title']
'Example title'
作为一只爬虫,Spiders 希望能将其抓取的数据存放到 Item 对象中。为了返回我们抓取数据,spider 的最终代码应当是这样:
from scrapy.spider import Spider
from scrapy.selector import Selector
from tutorial.items import DmozItem
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
sel = Selector(response)
sites = sel.xpath('//ul[@class="directory-url"]/li')
items = []
for site in sites:
item = DmozItem()
item['title'] = site.xpath('a/text()').extract()
item['link'] = site.xpath('a/@href').extract()
item['desc'] = site.xpath('text()').extract()
items.append(item)
return items
存储内容(Pipeline)
保存信息的最简单的方法是通过 Feed exports,主要有四种:JSON,JSON lines,CSV,XML。 我们将结果用最常用的 JSON 导出,命令如下:
scrapy crawl dmoz -o items.json -t json
-o 后面是导出文件名,-t 后面是导出类型。 然后来看一下导出的结果,用文本编辑器打开 json 文件即可(为了方便显示,在 item 中删去了除了 title 之外的属性):
因为这个只是一个小型的例子,所以这样简单的处理就可以了。 如果你想用抓取的 items 做更复杂的事情,你可以写一个 Item Pipeline(条目管道)。 这个我们以后再慢慢玩^_^