網絡爬蟲,是在網上進行數據抓取的程序,使用它能夠抓取特定網頁的HTML數據。雖然我們利用一些庫開發一個爬蟲程序,但是使用框架可以大大提高效率,縮短開發時間。Scrapy是一個使用Python編寫的,輕量級的,簡單輕巧,并且使用起來非常的方便。使用Scrapy可以很方便的完成網上數據的采集工作,它為我們完成了大量的工作,而不需要自己費大力氣去開發。
首先先要回答一個問題。
問:把網站裝進爬蟲里,總共分幾步?
答案很簡單,四步:
新建項目 (Project):新建一個新的爬蟲項目
明確目標(Items):明確你想要抓取的目標
制作爬蟲(Spider):制作爬蟲開始爬取網頁
存儲內容(Pipeline):設計管道存儲爬取內容
好的,基本流程既然確定了,那接下來就一步一步的完成就可以了。
1.新建項目(Project)
在空目錄下按住Shift鍵右擊,選擇“在此處打開命令窗口”,輸入一下命令:
scrapy startproject tutorial?
其中,tutorial為項目名稱。
可以看到將會創建一個tutorial文件夾,目錄結構如下:
tutorial/?
??? scrapy.cfg?
??? tutorial/?
??????? __init__.py?
??????? items.py?
??????? pipelines.py?
??????? settings.py?
??????? spiders/?
??????????? __init__.py?
??????????? ...?
下面來簡單介紹一下各個文件的作用:
scrapy.cfg:項目的配置文件
tutorial/:項目的Python模塊,將會從這里引用代碼
tutorial/items.py:項目的items文件
tutorial/pipelines.py:項目的pipelines文件
tutorial/settings.py:項目的設置文件
tutorial/spiders/:存儲爬蟲的目錄
2.明確目標(Item)
在Scrapy中,items是用來加載抓取內容的容器,有點像Python中的Dic,也就是字典,但是提供了一些額外的保護減少錯誤。
一般來說,item可以用scrapy.item.Item類來創建,并且用scrapy.item.Field對象來定義屬性(可以理解成類似于ORM的映射關系)。
接下來,我們開始來構建item模型(model)。
首先,我們想要的內容有:
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。
因為要抓dmoz.org網站的內容,所以我們可以將其命名為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()?
剛開始看起來可能會有些看不懂,但是定義這些item能讓你用其他組件的時候知道你的 items到底是什么。
可以把Item簡單的理解成封裝好的類對象。
3.制作爬蟲(Spider)
制作爬蟲,總體分兩步:先爬再取。
也就是說,首先你要獲取整個網頁的所有內容,然后再取出其中對你有用的部分。
3.1爬
Spider是用戶自己編寫的類,用來從一個域(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、解析網頁內容的方式,以此來提取items。
要建立一個Spider,你必須用scrapy.spider.BaseSpider創建一個子類,并確定三個強制的屬性:
name:爬蟲的識別名稱,必須是唯一的,在不同的爬蟲中你必須定義不同的名字。
start_urls:爬取的URL列表。爬蟲從這里開始抓取數據,所以,第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。
parse():解析的方法,調用的時候傳入從每一個URL傳回的Response對象作為唯一參數,負責解析并匹配抓取的數據(解析為item),跟蹤更多的URL。
?
這里可以參考寬度爬蟲教程中提及的思想來幫助理解,教程傳送:[Java] 知乎下巴第5集:使用HttpClient工具包和寬度爬蟲。
也就是把Url存儲下來并依此為起點逐步擴散開去,抓取所有符合條件的網頁Url存儲起來繼續爬取。
下面我們來寫第一只爬蟲,命名為dmoz_spider.py,保存在tutorial\spiders目錄下。
dmoz_spider.py代碼如下:
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是搜索的域名范圍,也就是爬蟲的約束區域,規定爬蟲只爬取這個域名下的網頁。
從parse函數可以看出,將鏈接的最后兩個地址取出作為文件名進行存儲。
然后運行一下看看,在tutorial目錄下按住shift右擊,在此處打開命令窗口,輸入:
scrapy crawl dmoz?
運行結果如圖:
報錯了:
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)
運行第一個Scrapy項目就報錯,真是命運多舛。
應該是出了編碼問題,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sitecustomize.py:
import sys???
sys.setdefaultencoding('gb2312')???
再次運行,OK,問題解決了,看一下結果:
最后一句INFO: Closing spider (finished)表明爬蟲已經成功運行并且自行關閉了。
包含 [dmoz]的行 ,那對應著我們的爬蟲運行的結果。
可以看到start_urls中定義的每個URL都有日志行。
還記得我們的start_urls嗎?
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因為這些URL是起始頁面,所以他們沒有引用(referrers),所以在它們的每行末尾你會看到 (referer:
在parse 方法的作用下,兩個文件被創建:分別是 Books 和 Resources,這兩個文件中有URL的頁面內容。
那么在剛剛的電閃雷鳴之中到底發生了什么呢?
首先,Scrapy為爬蟲的 start_urls屬性中的每個URL創建了一個 scrapy.http.Request 對象 ,并將爬蟲的parse 方法指定為回調函數。
然后,這些 Request被調度并執行,之后通過parse()方法返回scrapy.http.Response對象,并反饋給爬蟲。
3.2取
爬取整個網頁完畢,接下來的就是的取過程了。
光存儲一整個網頁還是不夠用的。
在基礎的爬蟲里,這一步可以用正則表達式來抓。
在Scrapy里,使用一種叫做 XPath selectors的機制,它基于 XPath表達式。
如果你想了解更多selectors和其他機制你可以查閱資料:點我點我
這是一些XPath表達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 元素
//div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標簽元素
以上只是幾個使用XPath的簡單例子,但是實際上XPath非常強大。
可以參照W3C教程:點我點我。
為了方便使用XPaths,Scrapy提供XPathSelector 類,有兩種可以選擇,HtmlXPathSelector(HTML數據解析)和XmlXPathSelector(XML數據解析)。
必須通過一個 Response 對象對他們進行實例化操作。
你會發現Selector對象展示了文檔的節點結構。因此,第一個實例化的selector必與根節點或者是整個目錄有關 。
在Scrapy里面,Selectors 有四種基礎的方法(點擊查看API文檔):
xpath():返回一系列的selectors,每一個select表示一個xpath參數表達式選擇的節點
css():返回一系列的selectors,每一個select表示一個css參數表達式選擇的節點
extract():返回一個unicode字符串,為選中的數據
re():返回一串一個unicode字符串,為使用正則表達式抓取出來的內容
3.3xpath實驗
下面我們在Shell里面嘗試一下Selector的用法。
實驗的網址:http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了實驗的小白鼠,接下來就是用Shell爬取網頁了。
進入到項目的頂層目錄,也就是第一層tutorial文件夾下,在cmd中輸入:
scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/?
回車后可以看到如下的內容:
在Shell載入后,你將獲得response回應,存儲在本地變量 response中。
所以如果你輸入response.body,你將會看到response的body部分,也就是抓取到的頁面內容:
或者輸入response.headers 來查看它的 header部分:
現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,把雜質出去,選出關鍵的內容。
selector就是這樣一個篩子。
在舊的版本中,Shell實例化兩種selectors,一個是解析HTML的 hxs 變量,一個是解析XML 的 xxs 變量。
而現在的Shell為我們準備好的selector對象,sel,可以根據返回的數據類型自動選擇最佳的解析方案(XML or HTML)。
然后我們來搗弄一下!~
要徹底搞清楚這個問題,首先先要知道,抓到的頁面到底是個什么樣子。
比如,我們要抓取網頁的標題,也就是
可以輸入:
sel.xpath('//title')?
結果就是:
這樣就能把這個標簽取出來了,用extract()和text()還可以進一步做處理。
備注:簡單的羅列一下有用的xpath路徑表達式:
表達式?描述
nodename?選取此節點的所有子節點。
/?從根節點選取。
//?從匹配選擇的當前節點選擇文檔中的節點,而不考慮它們的位置。
.?選取當前節點。
..?選取當前節點的父節點。
@?選取屬性。
全部的實驗結果如下,In[i]表示第i次實驗的輸入,Out[i]表示第i次結果的輸出(建議大家參照:W3C教程):
In [1]: sel.xpath('//title')?
Out[1]: [
?
In [2]: sel.xpath('//title').extract()?
Out[2]: [u'
?
In [3]: sel.xpath('//title/text()')?
Out[3]: [
?
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']?
當然title這個標簽對我們來說沒有太多的價值,下面我們就來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抓取這個
sel.xpath('//ul/li')?
從
sel.xpath('//ul/li/text()').extract()?
可以這樣獲取網站的標題:
sel.xpath('//ul/li/a/text()').extract()?
可以這樣獲取網站的超鏈接:
sel.xpath( '//ul/li/a/@href').extract()?
當然,前面的這些例子是直接獲取屬性的方法。
我們注意到xpath返回了一個對象列表,
那么我們也可以直接調用這個列表中對象的屬性挖掘更深的節點
(參考:Nesting selectors andWorking 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
3.4xpath實戰
我們用shell做了這么久的實戰,最后我們可以把前面學習到的內容應用到dmoz_spider這個爬蟲中。
在原爬蟲的parse函數中做如下修改:
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,我們從scrapy.selector中導入了Selector類,并且實例化了一個新的Selector對象。這樣我們就可以像Shell中一樣操作xpath了。
我們來試著輸入一下命令運行爬蟲(在tutorial根目錄里面):
scrapy crawl dmoz
運行結果如下:
果然,成功的抓到了所有的標題。但是好像不太對啊,怎么Top,Python這種導航欄也抓取出來了呢?
我們只需要紅圈中的內容:
看來是我們的xpath語句有點問題,沒有僅僅把我們需要的項目名稱抓取出來,也抓了一些無辜的但是xpath語法相同的元素。
審查元素我們發現我們需要的
-
具有class='directory-url'的屬性,
那么只要把xpath語句改成sel.xpath('//ul[@class="directory-url"]/li')即可
將xpath語句做如下調整:
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?
成功抓出了所有的標題,絕對沒有濫殺無辜:
3.5使用Item
接下來我們來看一看如何使用Item。
前面我們說過,Item 對象是自定義的python字典,可以使用標準字典語法獲取某個屬性的值:
>>> item = DmozItem()?
>>> item['title'] = 'Example title'?
>>> item['title']?
'Example title'?
作為一只爬蟲,Spiders希望能將其抓取的數據存放到Item對象中。為了返回我們抓取數據,spider的最終代碼應當是這樣:
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?
4.存儲內容(Pipeline)
保存信息的最簡單的方法是通過Feed exports,主要有四種:JSON,JSON lines,CSV,XML。
我們將結果用最常用的JSON導出,命令如下:
scrapy crawl dmoz -o items.json -t json?
-o 后面是導出文件名,-t 后面是導出類型。
然后來看一下導出的結果,用文本編輯器打開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):
因為這個只是一個小型的例子,所以這樣簡單的處理就可以了。
如果你想用抓取的items做更復雜的事情,你可以寫一個 Item Pipeline(條目管道)。
這個我們以后再慢慢玩^_^
以上便是python爬蟲框架Scrapy制作爬蟲抓取網站內容的全部過程了,非常的詳盡吧,希望能夠對大家有所幫助,有需要的話也可以和我聯系,一起進步
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
