Scrapy架構----- 入門案例

標籤：亂碼   不同的   映射   start   資料封裝   繼承   取資料   屬性   別名   

入門案例學習目標

• 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)

一. 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

• 其中， mySpider 為項目名稱，可以看到將會建立一個 mySpider 檔案夾，目錄結構大致如下：

•  

下面來簡單介紹一下各個主要檔案的作用：

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

二、明確目標(mySpider/items.py)

我們打算抓取：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。

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()

三、製作爬蟲 （spiders/itcastSpider.py）

爬蟲功能要分兩步：

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

其實也可以由我們自行建立itcast.py並編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩

要建立一個Spider， 你必須用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。

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

• allow_domains = [] 是搜尋的網域名稱範圍，也就是爬蟲的約束地區，規定爬蟲只爬取這個網域名稱下的網頁，不存在的URL會被忽略。

• start_urls = () ：爬取的URL元祖/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。

• parse(self, response) ：解析的方法，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：

  1. 負責解析返回的網頁資料(response.body)，提取結構化資料(產生item)
  2. 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)

然後運行一下看看，在mySpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲名。

運行之後，如果列印的日誌出現 [scrapy] INFO: Spider closed (finished)，代表執行完成。 之後當前檔案夾中就出現了一個 teacher.html 檔案，裡面就是我們剛剛要爬取的網頁的全部原始碼資訊。

# 注意，Python2.x預設編碼環境是ASCII，當和取回的資料編碼格式不一致時，可能會造成亂碼；# 我們可以指定儲存內容的編碼格式，一般情況下，我們可以在代碼最上方添加：    import sys    reload(sys)    sys.setdefaultencoding("utf-8")# 這三行代碼是Python2.x裡解決中文編碼的萬能鑰匙，經過這麼多年的吐槽後Python3學乖了，預設編碼是Unicode了...(祝大家早日擁抱Python3)

2. 取資料

• 爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：

•  

<div class="li_txt">    <h3>  xxx  </h3>    <h4> xxxxx </h4>    <p> xxxxxxxx </p>

是不是一目瞭然？直接上XPath開始提取資料吧。

• 我們之前在mySpider/items.py 裡定義了一個ItcastItem類。 這裡引入進來

  from mySpider.items import ItcastItem

• 然後將我們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

• 我們暫時先不處理管道，後面會詳細介紹。

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

思考如果將代碼改成下面形式，結果完全一樣。請思考 yield 在這裡的作用：

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)        #將擷取的資料交給pipelines        yield item    # 返回資料，不經過pipeline    #return items

Scrapy架構----- 入門案例