10、scrapy1.3.0 中文教程

44 0 0

　　https://doc.scrapy.org/en/latest/intro/tutorial.html

　　创建项目

　　在开始爬取之前，您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令:
　　

scrapy startproject tutorial1

　　该命令将会创建包含下列内容的 tutorial 目录:
　　

tutorial/
    scrapy.cfg            # 项目的配置文件

    tutorial/             # 项目的python模块。之后您将在此加入代码。
        __init__.py

        items.py          # 项目中的item文件.

        pipelines.py      # 项目中的pipelines文件.

        settings.py       # 项目的设置文件.

        spiders/          # 放置spider代码的目录.
            __init__.py1
2
3
4
5
6
7
8
9
10
11
12
13
14

　　编写第一个爬虫(Spider)

　　Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。

　　其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容，提取生成 item 的方法。
　　
　　以下为我们的第一个Spider代码，保存在 tutorial/spiders 目录下的 quotes_spider.py 文件中:
　　

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"

    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

　　为了创建一个Spider，您必须继承 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。

　　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。
　　
　　爬取

　　进入项目的根目录，执行下列命令启动spider:
　　

scrapy crawl quotes1

　　crawl quotes 启动用于爬取 quotes.toscrape.com 的spider，您将得到类似的输出:
　　

... (omitted for brevity)
2016-12-16 21:24:05 [scrapy.core.engine] INFO: Spider opened
2016-12-16 21:24:05 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:24:05 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://quotes.toscrape.com/robots.txt> (referer: None)
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/2/> (referer: None)
2016-12-16 21:24:05 [quotes] DEBUG: Saved file quotes-1.html
2016-12-16 21:24:05 [quotes] DEBUG: Saved file quotes-2.html
2016-12-16 21:24:05 [scrapy.core.engine] INFO: Closing spider (finished)
...1
2
3
4
5
6
7
8
9
10
11

　　现在，检查当前目录中的文件。你应该注意到了两个新的文件已被创建：quotes-1.html和quotes-2.html。就像我们 parse 方法指定的那样，有两个包含url所对应的内容的文件被创建了。

　　刚才发生了什么？

　　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。

　　Request对象经过调度，执行生成 scrapy.http.Response 对象并送回给spider parse() 方法。

　　start_requests方法从结果集中获取数据

　　为了方便start_requests()从scraps.Request的结果集urls取数据，你可以自定义URL结果集中创建start_url列表，spider在工作中通过start_requests()方法逐条从url列表中读取数据。

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

　　parse()方法来处理每个的URL请求，虽然我们没有明确告诉scrapy这样做。这是因为parse()是Scrapy的默认回调方法，这就是所谓的要求没有明确指定的回调。
　　
　　在Shell中尝试Selector选择器

　　为了介绍Selector的使用方法，接下来我们将要使用内置的 Scrapy shell 。Scrapy Shell需要您预装好IPython(一个扩展的Python终端)。

scrapy shell 'http://quotes.toscrape.com/page/1/'1

　　当您在终端运行Scrapy时，请一定记得给url地址加上引号，否则包含参数的url(例如 & 字符)会导致Scrapy运行失败。

　　shell的输出类似:
　　

[ ... Scrapy log here ... ]
2016-09-19 12:09:27 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x7fa91d888c90>
[s]   item       {}
[s]   request    <GET http://quotes.toscrape.com/page/1/>
[s]   response   <200 http://quotes.toscrape.com/page/1/>
[s]   settings   <scrapy.settings.Settings object at 0x7fa91d888c10>
[s]   spider     <DefaultSpider 'default' at 0x7fa91c8af990>
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser
>>>1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

　　当shell载入后，您将得到一个包含response数据的本地 response 变量。输入 response.body 将输出response的包体，输出 response.headers 可以看到response的包头。

　　更为重要的是，当输入 response.selector 时，您将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() 。
　　

>>> response.css('title')
[<Selector xpath='descendant-or-self::title' data='<title>Quotes to Scrape</title>'>]

>>> response.css('title::text').extract()
['Quotes to Scrape']

>>> response.css('title').extract()
['<title>Quotes to Scrape</title>']

>>> response.css('title::text').extract_first()
'Quotes to Scrape'

>>> response.css('title::text')[0].extract()
'Quotes to Scrape'

>>> response.css('title::text').re(r'Quotes.*')
['Quotes to Scrape']

>>> response.css('title::text').re(r'Qw+')
['Quotes']

>>> response.css('title::text').re(r'(w+) to (w+)')
['Quotes', 'Scrape']
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

　　您可以在终端中输入 response.body 来观察HTML源码并确定合适的XPath表达式。不过，这任务非常无聊且不易。您可以考虑使用Firefox的Firebug扩展来使得工作更为轻松。详情请参考使用Firebug进行爬取和借助Firefox来爬取。

　　提取引用和作者

　　现在你知道了一些关于选择和提取，让我们完成我们的蜘蛛代码，从网页中提取数据。

　　在http://quotes.toscrape.com每个引用的HTML元素，像这样：
　　

<div class="quote">
    <span class="text">“The world as we have created it is a process of our
    thinking. It cannot be changed without changing our thinking.”</span>
    <span>
        by <small class="author">Albert Einstein</small>
        <a href="/author/Albert-Einstein">(about)</a>
    </span>
    <div class="tags">
        Tags:
        <a class="tag" href="/tag/change/page/1/">change</a>
        <a class="tag" href="/tag/deep-thoughts/page/1/">deep-thoughts</a>
        <a class="tag" href="/tag/thinking/page/1/">thinking</a>
        <a class="tag" href="/tag/world/page/1/">world</a>
    </div>
</div>1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

　　让我们打开Scrapy shell尝试如何提取我们想要的数据：
　　

$ scrapy shell 'http://quotes.toscrape.com'1

　　我们得到HTML元素选择器列表数据：
　　

>>> response.css("div.quote")1

　　每个选择器的查询返回的上述允许我们运行进一步查询的子元素。让我们选择第一个变量，这样我们就可以运行我们的CSS选择器选择在一个特定的结果集：
　　

>>> quote = response.css("div.quote")[0]1

　　现在，让我们从结果集中提取标题，作者和标签：
　　

>>> title = quote.css("span.text::text").extract_first()
>>> title
'“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”'

>>> author = quote.css("small.author::text").extract_first()
>>> author
'Albert Einstein'

>>> tags = quote.css("div.tags a.tag::text").extract()
>>> tags
['change', 'deep-thoughts', 'thinking', 'world']1
2
3
4
5
6
7
8
9
10
11

　　在想通了如何提取每一点数据，我们现在可以遍历所有元素的引用，把它们一起放入一个Python的字典：
　　

>>> for quote in response.css("div.quote"):
...     text = quote.css("span.text::text").extract_first()
...     author = quote.css("small.author::text").extract_first()
...     tags = quote.css("div.tags a.tag::text").extract()
...     print(dict(text=text, author=author, tags=tags))
{'tags': ['change', 'deep-thoughts', 'thinking', 'world'], 'author': 'Albert Einstein', 'text': '“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”'}
{'tags': ['abilities', 'choices'], 'author': 'J.K. Rowling', 'text': '“It is our choices, Harry, that show what we truly are, far more than our abilities.”'}
    ... a few more of these, omitted for brevity
>>>1
2
3
4
5
6
7
8
9

　　在爬虫中提取数据

　　让我们回到我们的在爬虫中，直到现在，它不会提取任何特定的数据，只保存整个HTML文件到本地。让我们从上面的逻辑集成到我们的在爬虫代码中。

　　一个Scrapy蜘蛛从页面中提取数据通常会产生许多字典。要做到这一点，我们使用yield回调，正如你看到下面：
　　

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').extract_first(),
                'author': quote.css('small.author::text').extract_first(),
                'tags': quote.css('div.tags a.tag::text').extract(),
            }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

　　如果运行此蜘蛛，它将输出提取的数据与日志：

2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'}
2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A. Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"}1
2
3
4

　　保存爬取到的数据

　　最简单存储爬取的数据的方式是使用 Feed exports:　　

scrapy crawl quotes -o quotes.json1

　　该命令将采用 JSON 格式对爬取的数据进行序列化，生成 quotes.json 文件。

　　在类似本篇教程里这样小规模的项目中，这种存储方式已经足够。如果需要对爬取到的item做更多更为复杂的操作，您可以编写 Item Pipeline 。类似于我们在创建项目时对Item做的，用于您编写自己的 tutorial/pipelines.py 也被创建。不过如果您仅仅想要保存item，您不需要实现任何的pipeline。

# 随笔