Python爬虫Scrapy(二)_入门案例

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

入门案例

学习目标

  • 创建一个Scrapy项目
  • 定义提取的结构化数据(Item)
  • 编写爬取网站的Spider并提取出结构化数据(Item)
  • 编写Item Pipelines来存储提取到的Item(即结构化数据)

一、新建项目(scrapy startproject)

  • 在开始爬取之前,必须创建一个新的Scrapy项目。进入自定义的项目目录中,运行下列命令:
scrapy startproject cnblogSpider
  • 其中,cnblogSpider为项目名称,可以看到将会创建一个cnblogSpider文件夹,目录结构大致如下:

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。

二、明确目标(mySpider/items.py)

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。

  1. 打开cnblogSpider目录下的items.py
  2. item定义结构化数据字段,用来保存爬取到的数据,有点像Python中的dict,但是提供了一些额外的保护减少错误。
  3. 可以通过创建一个scrapy.item类,并且定义类型为scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。
  4. 接下来,创建一个CnblogspiderItem类,和模型item模型(model)。 ```python import scrapy

class CnblogspiderItem(scrapy.Item): # define the fields for your item here like: url = scrapy.Field() time = scrapy.Field() title = scrapy.Field() content = scrapy.Field() ```

三、制作爬虫(spiders/cnblogsSpider.py)

爬虫功能主要分两步:

1. 爬数据

  • 在当前目录下输入命令,将在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"
  • 打开cnblogSpider/spiders目录下的cnblog,默认增加了下列代码: ```python -- coding: utf-8 -- import scrapy

class 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:
    1. 负责解析返回的网页数据(respose.body),提取结构化数据(生成item)
    2. 生成需要下一页的URL请求

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

2.爬数据

  • 爬取整个网页完毕,接下来就是取过程了,首先观察页面源码:
<div class="day">
    <div class="dayTitle">...</div>
    <div class="postTitle">...</div>
    <div class="postCon">...</div>
</div>
  • XPath表达式如下:
    • 所有文章:.//*[@class='day']
    • 文章发表时间:.//*[@class='dayTitle']/a/text()
    • 文章标题内容:.//*[@class='postTitle']/a/text()
    • 文章摘要内容:.//*[@class='postCon']/div/text()
    • 文章链接:.//*[@class='postTitle']/a/@href

是不是一目了然?直接上XPath开始提取数据吧。

  • 我们之前在cnblogSpider/items.py里定义了一个CnblogItem类。这里引入进来 from cnblogSpider.items import CnblogspiderItem
  • 然后将我们得到的数据封装到一个CnblogspiderItem对象中,可以保存每个博客的属性: ```python

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)

    #直接返回最后数据
    return items

```

  • 我们暂时先不处理管道,后面会详细介绍。

保存数据

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

思考

如果将代码改成下面形式,结果完全一样

请思考yield在这里的作用:

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

参考:

  1. Python参考手册

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏向治洪

Fetch开发指南

在 Web 应用中,JavaScript 通过 XMLHttpRequest (XHR)来执行异步请求,这是一种有效改进页面通信的技术,当我们谈及Ajax技术的...

222100
来自专栏生信宝典

关于Python中的__main__和编程模板

在python程序中经常可以看到 if__name__ == ' _ _ main _ _'的判定,下面来解释下。 首先在python交互式界面中输入以下程序,...

404100
来自专栏古时的风筝

mybatis Generator生成代码及使用方式

为什么要有mybatis mybatis 是一个 Java 的 ORM 框架,ORM 的出现就是为了简化开发。最初的开发方式是业务逻辑和数据库查询逻辑是分开的,...

26190
来自专栏about云

扩展Yarn资源模型详解1

问题导读 1.countable资源是指哪些? 2.noncountable资源,本文列举了什么资源? 3.标签是否为资源? 4.如何实现扩展YARN资源模型...

32040
来自专栏抠抠空间

网络爬虫之scrapy框架设置代理

16030
来自专栏信安之路

XPath注入:攻击与防御技术

相信大家都非常熟悉 “注入” 这种攻击方式。 “注入” 这种攻击方式被列为了 OWASP 十大攻击的榜首。然而,本文所要讲述的不是被人熟知的SQL 注入攻击。而...

18400
来自专栏SeanCheney的专栏

《Learning Scrapy》(中文版)第5章 快速构建爬虫一个具有登录功能的爬虫使用JSON APIs和AJAX页面的爬虫在响应间传递参数一个加速30倍的项目爬虫可以抓取Excel文件的爬虫总结

第3章中,我们学习了如何从网页提取信息并存储到Items中。大多数情况都可以用这一章的知识处理。本章,我们要进一步学习抓取流程UR2IM中两个R,Request...

37480
来自专栏cmazxiaoma的架构师之路

Java开发技术积累(redis、mysql、http、shiro、threadlocal)

21650
来自专栏大数据-Hadoop、Spark

Logstash简单使用

Logstash-控制台输入输出 cd logstash-2.4.1 bin/logstash -e 'input { stdin { } } output ...

37490
来自专栏北京马哥教育

用Python爬下十几万本小说,再也不会闹书荒!

自从看了师傅爬了顶点全站之后,我也手痒痒的,也想爬一个比较牛逼的小说网看看,于是选了宜搜这个网站,好了,马上开干,这次用的是mogodb数据库,感觉mysql太...

18040

扫码关注云+社区

领取腾讯云代金券