Python爬蟲開發【第1篇】【Scrapy入門】

標籤：item   append   note   str   約束   個人資訊   建立項目   http   The   

Scrapy的安裝介紹

Scrapy架構官方網址：http://doc.scrapy.org/en/latest

Scrapy中文維護網站：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安裝方式

• Python 2 / 3
• 升級pip版本：pip install --upgrade pip
• 通過pip 安裝 Scrapy 架構pip install Scrapy

具體Scrapy安裝流程參考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes

目標

• 建立一個Scrapy項目
• 定義提取的結構化資料(Item)
• 編寫爬取網站的 Spider 並提取出結構化資料(Item)
• 編寫 Item Pipelines 來儲存提取到的Item(即結構化資料)

1.建立項目(scrapy startproject)

• 在開始爬取之前，必須建立一個新的Scrapy項目。進入自訂的項目目錄中，運行下列命令：

• scrapy startproject mySpider

• 建立項目mySpider，目錄及主要檔案作用：
• • scrapy.cfg ：項目的設定檔

  • mySpider/ ：項目的Python模組，將會從這裡引用代碼

  • mySpider/items.py ：項目的目標檔案

  • mySpider/pipelines.py ：項目的管道檔案

  • mySpider/settings.py ：項目的設定檔案mySpider/spiders/ ：儲存爬蟲代碼目錄

2.明確目標(mySpider/items.py)

目標：抓取http://www.itcast.cn/channel/teacher.shtml 網站裡的所有講師的姓名、職稱和個人資訊

步驟：

1. 開啟mySpider目錄下的items.py

2. Item 定義結構化資料欄位，用來儲存爬取到的資料，有點像Python中的dict，但是提供了一些額外的保護減少錯誤。

3. 可以通過建立一個 scrapy.Item 類， 並且定義類型為 scrapy.Field的類屬性來定義一個Item（可以理解成類似於ORM的映射關係）。

4. 接下來，建立一個ItcastItem 類，和構建item模型（model）。

import scrapyclass ItcastItem(scrapy.Item):    name = scrapy.Field()    level = scrapy.Field()    info = scrapy.Field()

3.製作爬蟲 （spiders/itcastSpider.py）

①.爬資料

　在目前的目錄下輸入命令，將在mySpider/spider目錄下建立一個名為itcast的爬蟲，並指定爬取域的範圍：

scrapy genspider itcast "itcast.cn"　　

　開啟 mySpider/spider目錄裡的 itcast.py，預設增加了下列代碼:

import scrapyclass ItcastSpider(scrapy.Spider):    name = "itcast"    allowed_domains = ["itcast.cn"]    start_urls = (        ‘http://www.itcast.cn/‘,    )    def parse(self, response):        pass

要建立一個Spider， 須用scrapy.Spider類建立一個子類，並確定了三個強制的屬性 和 一個方法。

　　A：name = "" ，爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

　　B：allow_domains = [] ，搜尋的網域名稱範圍，即爬蟲的約束地區，規定爬蟲只爬不存在的URL會被忽略。

　　C：start_urls = () ，爬取的URL元組/列表。

　　　　爬蟲從這裡開始抓取資料，所以，第一次下載的資料將會從這些urls開始。其他子URL將會從這些起始URL中繼承性產生。

　　D：parse(self, response)，解析方法，每個初始URL完成下載後將被調用，調用的時候傳入從每一個URL傳回的Response對象來作為唯一參數，主要作用如下：

• • 負責解析返回的網頁資料(response.body)，提取結構化資料(產生item)
  • 產生需要下一頁的URL請求。

將start_urls的值修改為需要爬取的第一個url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response):    filename = "teacher.html"    open(filename, ‘w‘).write(response.body)

運行程式，即可得到爬取的網頁資訊

 

②.取資料

　爬取整個網頁完畢，接下來的就是取資料

　觀察網頁源碼樣式，選擇合適方法提取資料

　將之前在mySpider/items.py 裡定義的ItcastItem類引入 ：

from mySpider.items import ItcastItem

　將得到的資料封裝到一個 ItcastItem 對象中，可以儲存每個老師的屬性：　

from mySpider.items import ItcastItemdef parse(self, response):    #open("teacher.html","wb").write(response.body).close()    # 存放老師資訊的集合    items = []    for each in response.xpath("//div[@class=‘li_txt‘]"):        # 將我們得到的資料封裝到一個 `ItcastItem` 對象        item = ItcastItem()        #extract()方法返回的都是unicode字串        name = each.xpath("h3/text()").extract()        title = each.xpath("h4/text()").extract()        info = each.xpath("p/text()").extract()        #xpath返回的是包含一個元素的列表        item[‘name‘] = name[0]        item[‘title‘] = title[0]        item[‘info‘] = info[0]        items.append(item)    # 直接返回最後資料    return items

③.儲存資料　

scrapy儲存資訊的最簡單的方法主要有四種，-o 輸出指定格式的檔案，，命令如下：

# json格式，預設為Unicode編碼scrapy crawl itcast -o teachers.json# json lines格式，預設為Unicode編碼scrapy crawl itcast -o teachers.jsonl# csv 逗號運算式，可用Excel開啟scrapy crawl itcast -o teachers.csv# xml格式scrapy crawl itcast -o teachers.xml

　　

　

Python爬蟲開發【第1篇】【Scrapy入門】