快捷導(dǎo)航

使用scrapy實現(xiàn)爬網(wǎng)站例子和實現(xiàn)網(wǎng)絡(luò)爬蟲(蜘蛛)的步驟

更新時間：2014年01月23日 10:18:16 作者：

本文分二個示例，第一個是個簡單的爬網(wǎng)站的小例子，第二個例子實現(xiàn)目是從一個網(wǎng)站的列表頁抓取文章列表，然后存入數(shù)據(jù)庫中，數(shù)據(jù)庫包括文章標題、鏈接、時間，大家參考使用吧

#!/usr/bin/env python
# -*- coding: utf-8 -*-
from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import Selector

from cnbeta.items import CnbetaItem
class CBSpider(CrawlSpider):
    name = 'cnbeta'
    allowed_domains = ['cnbeta.com']
    start_urls = ['http://www.dbjr.com.cn']

    rules = (
        Rule(SgmlLinkExtractor(allow=('/articles/.*\.htm', )),
             callback='parse_page', follow=True),
    )

    def parse_page(self, response):
        item = CnbetaItem()
        sel = Selector(response)
        item['title'] = sel.xpath('//title/text()').extract()
        item['url'] = response.url
        return item

實現(xiàn)蜘蛛爬蟲步驟

1.實例初級目標：從一個網(wǎng)站的列表頁抓取文章列表，然后存入數(shù)據(jù)庫中，數(shù)據(jù)庫包括文章標題、鏈接、時間

首先生成一個項目:scrapy startproject fjsen
先定義下items,打開items.py:

我們開始建模的項目，我們想抓取的標題，地址和時間的網(wǎng)站，我們定義域為這三個屬性。這樣做，我們編輯items.py，發(fā)現(xiàn)在開放目錄目錄。我們的項目看起來像這樣：

復(fù)制代碼代碼如下:

from scrapy.item import Item, Field
class FjsenItem(Item):
    # define the fields for your item here like:
    # name = Field()
    title=Field()
    link=Field()
    addtime=Field()

第二步：定義一個spider,就是爬行蜘蛛（注意在工程的spiders文件夾下），他們確定一個初步清單的網(wǎng)址下載，如何跟隨鏈接，以及如何分析這些內(nèi)容的頁面中提取項目（我們要抓取的網(wǎng)站是http://www.fjsen.com/j/node_94962.htm 這列表的所有十頁的鏈接和時間）。
新建一個fjsen_spider.py,內(nèi)容如下：

復(fù)制代碼代碼如下:

#-*- coding: utf-8 -*-
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from fjsen.items import FjsenItem
class FjsenSpider(BaseSpider):
    name="fjsen"
    allowed_domains=["fjsen.com"]
    start_urls=['http://www.fjsen.com/j/node_94962_'+str(x)+'.htm' for x in range(2,11)]+['http://www.fjsen.com/j/node_94962.htm']
    def parse(self,response):
        hxs=HtmlXPathSelector(response)
        sites=hxs.select('//ul/li')
        items=[]
        for site in sites:
            item=FjsenItem()
            item['title']=site.select('a/text()').extract()
            item['link'] = site.select('a/@href').extract()
            item['addtime']=site.select('span/text()').extract()
            items.append(item)
        return items                  

name:是確定蜘蛛的名稱。它必須是獨特的，就是說，你不能設(shè)置相同的名稱不同的蜘蛛。
allowed_domains：這個很明顯，就是允許的域名，或者說爬蟲所允許抓取的范圍僅限這個列表里面的域名。
start_urls：是一個網(wǎng)址列表，蜘蛛會開始爬。所以，第一頁將被列在這里下載。隨后的網(wǎng)址將生成先后從數(shù)據(jù)中包含的起始網(wǎng)址。我這里直接是列出十個列表頁。
parse()：是蜘蛛的一個方法，當每一個開始下載的url返回的Response對象都會執(zhí)行該函數(shù)。
這里面，我抓取每一個列表頁中的<ul>下的<li>下的數(shù)據(jù)，包括title,鏈接，還有時間，并插入到一個列表中

第三步，將抓取到的數(shù)據(jù)存入數(shù)據(jù)庫中，這里就得在pipelines.py這個文件里面修改了

復(fù)制代碼代碼如下:

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
from os import path
from scrapy import signals
from scrapy.xlib.pydispatch import dispatcher
class FjsenPipeline(object):

    def __init__(self):
        self.conn=None
        dispatcher.connect(self.initialize,signals.engine_started)
        dispatcher.connect(self.finalize,signals.engine_stopped)
    def process_item(self,item,spider):
        self.conn.execute('insert into fjsen values(?,?,?,?)',(None,item['title'][0],'http://www.dbjr.com.cn/'+item['link'][0],item['addtime'][0]))
        return item
    def initialize(self):
        if path.exists(self.filename):
            self.conn=sqlite3.connect(self.filename)
        else:
            self.conn=self.create_table(self.filename)
    def finalize(self):
        if self.conn is not None:
            self.conn.commit()
            self.conn.close()
            self.conn=None
    def create_table(self,filename):
        conn=sqlite3.connect(filename)
        conn.execute("""create table fjsen(id integer primary key autoincrement,title text,link text,addtime text)""")
        conn.commit()
        return conn