本章将从案例开始介绍python scrapy框架,更多内容请参考:python学习指南
scrapy startproject cnblogSpider
scrapy.cfg:项目部署文件 cnblogSpider/: 该项目的python模块,之后可以在此加入代码 cnblogSpider/items.py: 项目中的item文件。 cnblogSpider/pipelines.py: 项目中的Pipelines文件。 cnblogSpider/settings.py: 项目的配置文件。 cnblogSpider/spiders/: 放置Spider代码的目录。
我们打算抓取:"http://www.cnblogs.com/miqi1992/default.html?page=2" 网站里博客地址、标题、创建时间、文本。
class CnblogspiderItem(scrapy.Item): # define the fields for your item here like: url = scrapy.Field() time = scrapy.Field() title = scrapy.Field() content = scrapy.Field() ```
爬虫功能主要分两步:
cnblogSpider/spiders
目录下创建一个名为cnblog
的爬虫,并制定爬取域的范围:
scrapy genspider cnblog "cnblogs.com"cnblogSpider/spiders
目录下的cnblog
,默认增加了下列代码:
```python
-- coding: utf-8 --
import scrapyclass CnblogSpider(scrapy.Spider): name = 'cnblog' allowed_domains = ['cnblogs.com'] start_urls = ['http://cnblogs.com/']
def parse(self, response):
pass
```
其实也可以由我们自行创建cnblog.py并编写上面的代码,只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider,你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性和一个方法。
name = ""
: 这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。
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,不存在的URL会被忽略。
start_urls=()
:爬取的URL元祖/列表。爬虫从这里开始爬取数据,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(self, response)
:解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下: 将start_urls的值改为需要爬取的第一个url:
start_urls=("http://www.cnblogs.com/miqi1992/default.html?page=2")
修改parse()方法
def parse(self, response):
filename = "cnblog.html"
with open(filename, 'w') as f:
f.write(response.body)
然后运行一下看看,在cnblogSpider目录下运行:
scrapy crawl cnblog
是的,就是cnblog,看上面代码,它是CnblogSpider类的name属性,也就是scrapy genspider
命令的唯一爬虫名。
运行之后,如果打印的日志出现[scrapy]INFO: Spider closed(finished)
,代表执行完成。之后当前文件夹中就出现了一个cnblog.html文件,里面就是我们刚刚要爬取的网页的全部源代码信息。
#注意,Python2.x默认编码环境是ASCII,当和取回的数据编码格式不一致时,可能会造成乱码;
#我们可以指定保存内容的编码格式,一般情况下,我们可以在代码最上方添加:
import os
reload(sys)
sys.setdefaultencoding('utf-8')
#这三行代码是Python2.x里面解决中文编码的万能钥匙,警告这么多年的吐槽后Python3学乖了,默认编码是Unicode了
<div class="day">
<div class="dayTitle">...</div>
<div class="postTitle">...</div>
<div class="postCon">...</div>
</div>
是不是一目了然?直接上XPath开始提取数据吧。
CnblogspiderItem
对象中,可以保存每个博客的属性:
```pythonform cnblogSpider.items import CnblogspiderItem
def parse(self, response): # print(response.body) # filename = "cnblog.html" # with open(filename, 'w') as f: # f.write(response.body)
#存放博客的集合
items = []
for each in response.xpath(".//*[@class='day']"):
item = CnblogspiderItem()
url = each.xpath('.//*[@class="postTitle"]/a/@href').extract()[0]
title = each.xpath('.//*[@class="postTitle"]/a/text()').extract()[0]
time = each.xpath('.//*[@class="dayTitle"]/a/text()').extract()[0]
content = each.xpath('.//*[@class="postCon"]/div/text()').extract()[0]
item['url'] = url
item['title'] = title
item['time'] = time
item['content'] = content
items.append(item)
#直接返回最后数据
return items
```
scrapy保存信息的最简单的方法主要有四种, -o 输出指定格式的文件,命令如下:
#json格式,默认为Unicode编码
scrapy crawl cnblog -o cnblog.json
#json lines格式,默认为Unicode编码
scrapy crawl cnblog -o cnblog.jsonl
#csv逗号表达式,可用excel打开
scrapy crawl cnblog -o cnblog.csv
#xml格式
scrapy crawl cnblog -o cnblog.xml
form cnblogSpider.items import CnblogspiderItem
def parse(self, response):
# print(response.body)
# filename = "cnblog.html"
# with open(filename, 'w') as f:
# f.write(response.body)
#存放博客的集合
# items = []
for each in response.xpath(".//*[@class='day']"):
item = CnblogspiderItem()
url = each.xpath('.//*[@class="postTitle"]/a/@href').extract()[0]
title = each.xpath('.//*[@class="postTitle"]/a/text()').extract()[0]
time = each.xpath('.//*[@class="dayTitle"]/a/text()').extract()[0]
content = each.xpath('.//*[@class="postCon"]/div/text()').extract()[0]
item['url'] = url
item['title'] = title
item['time'] = time
item['content'] = content
# items.append(item)
#将获取到的数据交给pipelines
yield item
#直接返回最后数据,不经过pipelines
#return items