语落心生
语落心生

Python爬虫学习(4)Scrapy采集框架

Scrapy入门
注意: Python版本需要为2.7

丛书编者按:Scrapy由 Python 编写。如果刚接触并且好奇这门语言的特性以及Scrapy的详情， 对于已经熟悉其他语言并且想快速学习Python的编程老手， Learn Python The Hard Way ， 对于想从Python开始学习的编程新手， 非程序员的Python学习资料列表 将是您的选择。

1.定义Item爬取模型

首先根据需要从dmoz.org获取到的数据对item进行建模。 我们需要从dmoz中获取名字，url，以及网站的描述。 对此，在item中定义相应的字段。编辑 tutorial 目录中的 items.py 文件:

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

# Creator yuluoxinsheng
import scrapy


class WikiItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

2.编写第一个爬虫(Spider)

为了创建一个Spider，必须继承 scrapy.Spider
类， 且定义以下三个属性:
name
: 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字
allowed_domains :
代表允许执行的url范围，通常以http请求字段的orion url为基准
start_urls
: 包含了Spider在启动时进行爬取的url列表。 因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
parse()
是spider的一个方法。 被调用时，每个初始URL完成下载后生成的 Response
对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request
对象。

import scrapy

class WikiSpider(scrapy.Spider):
    name = "wiki"
    allowed_domains = ["domz.org"]
    start_urls = [
        "http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/"
    ]

     def parse(self, response):
         filename = response.url.split("/")[-2]
         with open(filename,'wb') as f:
             f.write(response.body)

3.创建wikipedia scrapy

> scrapy startproject wiki

console output

Python爬虫学习(4)Scrapy采集框架_第1张图片
error.png

又遇到了windows的环境变量问题，题主也是无奈,尝试解决方法

成功解决：

Python爬虫学习(4)Scrapy采集框架_第2张图片
solve.png

爬取 (crawl)

Using the scrapy tool


Scrapy X.Y - no active project
Usage:
 scrapy [options] [args]
Available commands:
 crawl  Run a spider
 fetch  Fetch a URL using the Scrapy downloader
[...]

进入项目的根目录(题主的目录为e:\Spider\wiki)，执行下列命令启动spider:

> scrapy crawl wiki

console output


Python爬虫学习(4)Scrapy采集框架_第3张图片
SpiderBoot.png
Python爬虫学习(4)Scrapy采集框架_第4张图片
request.png

查看包含 [wiki] 的输出，输出的log中包含定义在 start_urls 的初始URL，并且与spider中是一一对应的。可以看到发出的get请求指向我们创建的两条链接,除此之外没有指向其他页面

4.Spider解析数据:
 1.Scrapy为Spider的 start_urls属性中的每个URL创建了 scrapy.Request
对象，并将 parse 方法作为回调函数  (callback)赋值给了Request。
 2.Request对象经过调度，执行生成 scrapy.http.Response
对象并送回给spider parse()
方法。

进入项目的根目录，执行下列命令来启动shell用来加载解析的页面数据:

> scrapy shell "http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/"

当shell载入后，将得到一个包含response数据的本地 response 变量。我们之前在parse函数中写入的response,body。shell显示的就是从domz爬取得body信息

console output

Python爬虫学习(4)Scrapy采集框架_第5张图片
response.png

但这样解析出的数据某些不符合我们的需求，比如我们只要求回调/Languages的资源地址。而当输入 response.selector 时， 获取到一个可以用于查询返回数据的selector(选择器)， 以及映射到 response.selector.xpath() 、 response.selector.css() 的 快捷方法(shortcut): response.xpath() 和 response.css() 。

selector根据response的类型自动选择最合适的分析规则(XML vs HTML)。

5.以Domz为例，老样子解析页面结构

Python爬虫学习(4)Scrapy采集框架_第6张图片
domz.png

标签层次调用如下:
title aside->div->h2->a->font
link aside->div->h2->a href
desc aside->div->h3->a->font

更改Spider\WikiSpider，由于Domz网站域名更新，修改url

import scrapy

from wikiSpider.items import WikispiderItem



class WikiSpider(scrapy.Spider):
    name = "wiki"
    allowed_domains = ["dmoztools.net"]
    start_urls = [
        "http://dmoztools.net/Computers/Programming/Languages/Python/Books/",
        "http://dmoztools.net/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        item = WikispiderItem()
        content = response.xpath('//section/aside/div/text()')
        print content
        for sel in response.xpath('//section/aside/div'):
            item['title'] = sel.xpath('h2/a/text()')
            item['link'] = sel.xpath('h2/a/@href')
            item['desc'] = sel.xpath('h3/a/text()')
            return item

命令重启动spider:

> scrapy crawl wiki

console output :Error:xpath无法解析路径

Python爬虫学习(4)Scrapy采集框架_第7张图片
error_first.jpg

Python console
启动shell，解析Books页面

scrapy shell http://dmoztools.net/Computers/Programming/Languages/Python/Books/

6.测试xpath获取页面各个标签值

Python爬虫学习(4)Scrapy采集框架_第8张图片
challage.jpg

Test Result:

  • 发现解析页面URL为 DomzBook
  • response.xpath('//section/aside/div')未获取到响应标签内容，尝试xpath语法
Python爬虫学习(4)Scrapy采集框架_第9张图片
xpath.jpg

7.重新解析页面层次调用结构

  • "title" div class="title-and-desc" -> a -> div class="site-title" -> text()
  • "link" div class="title-and-desc" -> a -> @href
  • "desc" div class="site-descr" -> text()

Python爬虫学习(4)Scrapy采集框架_第10张图片

console Input

response.xpath("//div[@class='title-and-desc']")

更新WikiSpider.py

import scrapy

from wikiSpider.items import WikispiderItem



class WikiSpider(scrapy.Spider):
    name = "wiki"
    allowed_domains = ["dmoztools.net"]
    start_urls = [
        "http://dmoztools.net/Computers/Programming/Languages/Python/Books/",
        "http://dmoztools.net/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        item = WikispiderItem()
        content = response.xpath("//div[contains(@class,'site-item')]/text()")
        print content
        for sel in response.xpath("//div[contains(@class,'site-item')]"):
            item['title'] = sel.xpath("div[@class='title-and-desc']/a/div[@class='site-title']/text()")
            item['link'] = sel.xpath("div[@class='title-and-desc']/a/@href")
            item['desc'] = sel.xpath("div[@class='site-descr']/text()")
            return item

console output

Python爬虫学习(4)Scrapy采集框架_第11张图片
response.jpg

发现某些div未正确解析，查看嵌套选择器,原因在于Xpath是一种基于XML文档的搜索方式，对于css的规则仅解析为字符串，尝试contains标记属性节点

console Input
response.xpath("//div[contains(@class,'site-item')]")

console output > > 标注行已成功返回响应标签值

F:\pythonProject\wikiSpider>scrapy crawl wiki
2017-07-09 22:24:14 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: wikiSpider)
2017-07-09 22:24:14 [scrapy.utils.log] INFO: Overridden settings: {'NEWSPIDER_MODULE': 'wikiSpider.spiders', 'SPIDER_MODULES': ['wikiSpider.spiders'], 'ROBOTSTXT_OBEY': True, 'BOT_NAME': 'wikiSpider'}
2017-07-09 22:24:14 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.logstats.LogStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.corestats.CoreStats']
2017-07-09 22:24:15 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2017-07-09 22:24:15 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2017-07-09 22:24:15 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2017-07-09 22:24:15 [scrapy.core.engine] INFO: Spider opened
2017-07-09 22:24:15 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-07-09 22:24:15 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6027
2017-07-09 22:24:15 [scrapy.core.engine] DEBUG: Crawled (200)  (referer: None)
2017-07-09 22:24:17 [scrapy.core.engine] DEBUG: Crawled (200)  (referer: None)
[, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,