Scrapy与网络爬虫

提到Python与网络爬虫，可能会想到urllib，urllib2，BeautifulSoup，Scrapy等类库，本文主要总结Scrapy与网络爬虫。Scrapy是一个功能强大的网络爬虫类库，通过命令pip install scrapy进行安装，爬取的海量数据可以通过MongoDB进行存储，有了想要的数据集后就可以对其进行分析挖掘。

1.实现一个简单的Scrapy网络爬虫

先用Scrapy实现一个采集网页的title字段，以对Scrapy有个直观的印象。

(1)新建wikiSpider项目

scrapy startproject wikiSpider

生成的项目结构，如下所示：

─Scrapy
 └─wikiSpider
     │  scrapy.cfg
     │
     └─wikiSpider
         │  items.py
         │  pipelines.py
         │  settings.py
         │  __init__.py
         │
         └─spiders
                 __init__.py

说明：

scrapy.cfg：项目配置文件；wikiSpider/items.py：项目items文件；wikiSpider/pipelines.py：项目管道文件；wikiSpider/settings.py：项目配置文件；wikiSpider/spiders：放置spider的目录。

(2)创建Article类

在items.py文件中，定义Article类，如下所示：

from scrapy import Item, Field

class Article(Item):
    title = Field()

(3)创建 articleSpider.py文件

在wikiSpider/wikiSpider/spiders/文件夹中创建一个articleSpider.py文件，如下所示：

from scrapy.selector import Selector
from scrapy import Spider
from wikiSpider.items import Article

class ArticleSpider(Spider):
    name = "article"
    allowed_domains = ["en.wikipedia.org"]
    start_urls = ["http://en.wikipedia.org/wiki/Main_Page",
                  "http://en.wikipedia.org/wiki/Python_%28programming_language%29"]
        
    def parse(self,response):
        item = Article()
        title = response.xpath('//h1/text()')[0].extract()
        print("Title is: "+title)
        item['title'] = title
        return item

(4)运行Scrapy网络爬虫

在wikiSpider主目录中运行ArticleSpider，如下所示：

scrapy crawl article

这个爬虫首先进入start_urls中的两个页面，然后收集信息，最后停止运行。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。scrapy.http.Response对象被返回，结果也被反回给爬虫。

如果遇到错误[scrapy] ERROR: Error downloading <GET http://en.wikipedia.org/robots.txt>: u'\xd8'，需要设置settings.py文件中的ROBOTSTXT_OBEY = False即可。

2.Scrapy基础知识

(1)xpath

xpath是Scrapy下快速提取特定信息（比如title，head，href等）的一个接口。常用的表达式和描述，如下所示：

• 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。

(2)Scrapy shell

Scrapy终端是一个交互终端，供你在未启动spider的情况下尝试及调试你的爬取代码，可以用来测试XPath或CSS表达式，查看他们的工作方式及从爬取的网页中提取的数据。启动终端的命令为scrapy shell <url>。Scrapy终端根据下载的页面会自动创建一些方便使用的对象，如下所示：

• crawler：当前Crawler对象。
• spider：处理URL的spider。
• request：最近获取到的页面的Request对象。
• response：包含最近获取到的页面的Response对象。
• sel：根据最近获取到的response构建的Selector对象。
• settings：当前的Scrapy settings。

3. BeautifulSoup基础知识

参考文献：

[1] 《Python网络数据采集》

[2] Scrapy：http://scrapy.org/

[3] Beautiful Soup：https://www.crummy.com/software/BeautifulSoup/bs4/doc/