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^_^