零基礎(chǔ)寫python爬蟲之使用Scrapy框架編寫爬蟲
網(wǎng)絡(luò)爬蟲，是在網(wǎng)上進行數(shù)據(jù)抓取的程序，使用它能夠抓取特定網(wǎng)頁的HTML數(shù)據(jù)。雖然我們利用一些庫開發(fā)一個爬蟲程序，但是使用框架可以大大提高效率，縮短開發(fā)時間。Scrapy是一個使用Python編寫的，輕量級的，簡單輕巧，并且使用起來非常的方便。使用Scrapy可以很方便的完成網(wǎng)上數(shù)據(jù)的采集工作，它為我們完成了大量的工作，而不需要自己費大力氣去開發(fā)。
首先先要回答一個問題。
問：把網(wǎng)站裝進爬蟲里，總共分幾步？
答案很簡單，四步：
新建項目 (Project)：新建一個新的爬蟲項目
明確目標（Items）：明確你想要抓取的目標
制作爬蟲（Spider）：制作爬蟲開始爬取網(wǎng)頁
存儲內(nèi)容（Pipeline）：設(shè)計管道存儲爬取內(nèi)容
好的，基本流程既然確定了，那接下來就一步一步的完成就可以了。
1.新建項目（Project）
在空目錄下按住Shift鍵右擊，選擇“在此處打開命令窗口”，輸入一下命令：
scrapy startproject tutorial
其中，tutorial為項目名稱。
可以看到將會創(chuàng)建一個tutorial文件夾，目錄結(jié)構(gòu)如下：
tutorial/
scrapy.cfg
tutorial/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
下面來簡單介紹一下各個文件的作用：
scrapy.cfg：項目的配置文件
tutorial/：項目的Python模塊，將會從這里引用代碼
tutorial/items.py：項目的items文件
tutorial/pipelines.py：項目的pipelines文件
tutorial/settings.py：項目的設(shè)置文件
tutorial/spiders/：存儲爬蟲的目錄
2.明確目標（Item）
在Scrapy中，items是用來加載抓取內(nèi)容的容器，有點像Python中的Dic，也就是字典，但是提供了一些額外的保護減少錯誤。
一般來說，item可以用scrapy.item.Item類來創(chuàng)建，并且用scrapy.item.Field對象來定義屬性（可以理解成類似于ORM的映射關(guān)系）。
接下來，我們開始來構(gòu)建item模型（model）。
首先，我們想要的內(nèi)容有：
名稱（name）
鏈接（url）
描述（description）
修改tutorial目錄下的items.py文件，在原本的class后面添加我們自己的class。
因為要抓dmoz.org網(wǎng)站的內(nèi)容，所以我們可以將其命名為DmozItem：
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
from scrapy.item import Item, Field
class TutorialItem(Item):
# define the fields for your item here like:
# name = Field()
pass
class DmozItem(Item):
title = Field()
link = Field()
desc = Field()
剛開始看起來可能會有些看不懂，但是定義這些item能讓你用其他組件的時候知道你的 items到底是什么。
可以把Item簡單的理解成封裝好的類對象。
3.制作爬蟲（Spider）
制作爬蟲，總體分兩步：先爬再取。
也就是說，首先你要獲取整個網(wǎng)頁的所有內(nèi)容，然后再取出其中對你有用的部分。
3.1爬
Spider是用戶自己編寫的類，用來從一個域（或域組）中抓取信息。
他們定義了用于下載的URL列表、跟蹤鏈接的方案、解析網(wǎng)頁內(nèi)容的方式，以此來提取items。
要建立一個Spider，你必須用scrapy.spider.BaseSpider創(chuàng)建一個子類，并確定三個強制的屬性：
name：爬蟲的識別名稱，必須是唯一的，在不同的爬蟲中你必須定義不同的名字。
start_urls：爬取的URL列表。爬蟲從這里開始抓取數(shù)據(jù)，所以，第一次下載的數(shù)據(jù)將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。
parse()：解析的方法，調(diào)用的時候傳入從每一個URL傳回的Response對象作為唯一參數(shù)，負責解析并匹配抓取的數(shù)據(jù)(解析為item)，跟蹤更多的URL。
這里可以參考寬度爬蟲教程中提及的思想來幫助理解，教程傳送：[Java] 知乎下巴第5集：使用HttpClient工具包和寬度爬蟲。
也就是把Url存儲下來并依此為起點逐步擴散開去，抓取所有符合條件的網(wǎng)頁Url存儲起來繼續(xù)爬取。
下面我們來寫第一只爬蟲，命名為dmoz_spider.py，保存在tutorial\spiders目錄下。
dmoz_spider.py代碼如下：
from scrapy.spider import Spider
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
" " ]
def parse(self, response):
filename = response.url.split("/")[-2]
open(filename, 'wb').write(response.body)
allow_domains是搜索的域名范圍，也就是爬蟲的約束區(qū)域，規(guī)定爬蟲只爬取這個域名下的網(wǎng)頁。
從parse函數(shù)可以看出，將鏈接的最后兩個地址取出作為文件名進行存儲。
然后運行一下看看，在tutorial目錄下按住shift右擊，在此處打開命令窗口，輸入：
scrapy crawl dmoz
運行結(jié)果如圖：
報錯了：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)
運行第一個Scrapy項目就報錯，真是命運多舛。
應(yīng)該是出了編碼問題，谷歌了一下找到了解決方案：
在python的Lib\site-packages文件夾下新建一個sitecustomize.py：
import sys
sys.setdefaultencoding('gb2312')
再次運行，OK，問題解決了，看一下結(jié)果：
最后一句INFO: Closing spider (finished)表明爬蟲已經(jīng)成功運行并且自行關(guān)閉了。
包含 [dmoz]的行 ，那對應(yīng)著我們的爬蟲運行的結(jié)果。
可以看到start_urls中定義的每個URL都有日志行。
還記得我們的start_urls嗎？
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因為這些URL是起始頁面，所以他們沒有引用(referrers)，所以在它們的每行末尾你會看到 (referer: <None>)。
在parse 方法的作用下，兩個文件被創(chuàng)建：分別是 Books 和 Resources，這兩個文件中有URL的頁面內(nèi)容。
那么在剛剛的電閃雷鳴之中到底發(fā)生了什么呢？
首先，Scrapy為爬蟲的 start_urls屬性中的每個URL創(chuàng)建了一個 scrapy.http.Request 對象 ，并將爬蟲的parse 方法指定為回調(diào)函數(shù)。
然后，這些 Request被調(diào)度并執(zhí)行，之后通過parse()方法返回scrapy.http.Response對象，并反饋給爬蟲。
3.2取
爬取整個網(wǎng)頁完畢，接下來的就是的取過程了。
光存儲一整個網(wǎng)頁還是不夠用的。
在基礎(chǔ)的爬蟲里，這一步可以用正則表達式來抓。
在Scrapy里，使用一種叫做 XPath selectors的機制，它基于 XPath表達式。
如果你想了解更多selectors和其他機制你可以查閱資料：點我點我
這是一些XPath表達式的例子和他們的含義
/html/head/title: 選擇HTML文檔<head>元素下面的<title> 標簽。
/html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內(nèi)容
//td: 選擇所有 <td> 元素
//div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標簽元素
以上只是幾個使用XPath的簡單例子，但是實際上XPath非常強大。
可以參照W3C教程：點我點我。
為了方便使用XPaths，Scrapy提供XPathSelector 類，有兩種可以選擇，HtmlXPathSelector(HTML數(shù)據(jù)解析)和XmlXPathSelector(XML數(shù)據(jù)解析)。
必須通過一個 Response 對象對他們進行實例化操作。
你會發(fā)現(xiàn)Selector對象展示了文檔的節(jié)點結(jié)構(gòu)。因此，第一個實例化的selector必與根節(jié)點或者是整個目錄有關(guān) 。
在Scrapy里面，Selectors 有四種基礎(chǔ)的方法（點擊查看API文檔）：
xpath()：返回一系列的selectors，每一個select表示一個xpath參數(shù)表達式選擇的節(jié)點
css()：返回一系列的selectors，每一個select表示一個css參數(shù)表達式選擇的節(jié)點
extract()：返回一個unicode字符串，為選中的數(shù)據(jù)
re()：返回一串一個unicode字符串，為使用正則表達式抓取出來的內(nèi)容
3.3xpath實驗
下面我們在Shell里面嘗試一下Selector的用法。
實驗的網(wǎng)址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了實驗的小白鼠，接下來就是用Shell爬取網(wǎng)頁了。
進入到項目的頂層目錄，也就是第一層tutorial文件夾下，在cmd中輸入：
回車后可以看到如下的內(nèi)容：
在Shell載入后，你將獲得response回應(yīng)，存儲在本地變量 response中。
所以如果你輸入response.body，你將會看到response的body部分，也就是抓取到的頁面內(nèi)容：
或者輸入response.headers 來查看它的 header部分：
現(xiàn)在就像是一大堆沙子握在手里，里面藏著我們想要的金子，所以下一步，就是用篩子搖兩下，把雜質(zhì)出去，選出關(guān)鍵的內(nèi)容。
selector就是這樣一個篩子。
在舊的版本中，Shell實例化兩種selectors，一個是解析HTML的 hxs 變量，一個是解析XML 的 xxs 變量。
而現(xiàn)在的Shell為我們準備好的selector對象，sel，可以根據(jù)返回的數(shù)據(jù)類型自動選擇最佳的解析方案(XML or HTML)。
然后我們來搗弄一下！~
要徹底搞清楚這個問題，首先先要知道，抓到的頁面到底是個什么樣子。
比如，我們要抓取網(wǎng)頁的標題，也就是<title>這個標簽：
可以輸入：
sel.xpath('//title')
結(jié)果就是：
這樣就能把這個標簽取出來了，用extract()和text()還可以進一步做處理。
備注：簡單的羅列一下有用的xpath路徑表達式：
表達式 描述
nodename 選取此節(jié)點的所有子節(jié)點。
/ 從根節(jié)點選取。
// 從匹配選擇的當前節(jié)點選擇文檔中的節(jié)點，而不考慮它們的位置。
. 選取當前節(jié)點。
.. 選取當前節(jié)點的父節(jié)點。
@ 選取屬性。
全部的實驗結(jié)果如下，In[i]表示第i次實驗的輸入，Out[i]表示第i次結(jié)果的輸出（建議大家參照：W3C教程）：
In [1]: sel.xpath('//title')
Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]
In [2]: sel.xpath('//title').extract()
Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']
In [3]: sel.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]
In [4]: sel.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']
In [5]: sel.xpath('//title/text()').re('(\w+):')
Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']
當然title這個標簽對我們來說沒有太多的價值，下面我們就來真正抓取一些有意義的東西。
使用火狐的審查元素我們可以清楚地看到，我們需要的東西如下：
我們可以用如下代碼來抓取這個<li>標簽：
sel.xpath('//ul/li')
從<li>標簽中，可以這樣獲取網(wǎng)站的描述：
sel.xpath('//ul/li/text()').extract()
可以這樣獲取網(wǎng)站的標題：
sel.xpath('//ul/li/a/text()').extract()
可以這樣獲取網(wǎng)站的超鏈接：
當然，前面的這些例子是直接獲取屬性的方法。
我們注意到xpath返回了一個對象列表，
那么我們也可以直接調(diào)用這個列表中對象的屬性挖掘更深的節(jié)點
（參考：Nesting selectors andWorking with relative XPaths in the Selectors）：
sites = sel.xpath('//ul/li')
for site in sites:
title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('text()').extract()
print title, link, desc
3.4xpath實戰(zhàn)
我們用shell做了這么久的實戰(zhàn)，最后我們可以把前面學(xué)習到的內(nèi)容應(yīng)用到dmoz_spider這個爬蟲中。
在原爬蟲的parse函數(shù)中做如下修改：
from scrapy.spider import Spider
from scrapy.selector import Selector
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
" " ]
def parse(self, response):
sel = Selector(response)
sites = sel.xpath('//ul/li')
for site in sites:
title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('text()').extract()
print title
注意，我們從scrapy.selector中導(dǎo)入了Selector類，并且實例化了一個新的Selector對象。這樣我們就可以像Shell中一樣操作xpath了。
我們來試著輸入一下命令運行爬蟲（在tutorial根目錄里面）：
scrapy crawl dmoz
運行結(jié)果如下：
果然，成功的抓到了所有的標題。但是好像不太對啊，怎么Top，Python這種導(dǎo)航欄也抓取出來了呢？
我們只需要紅圈中的內(nèi)容：
看來是我們的xpath語句有點問題，沒有僅僅把我們需要的項目名稱抓取出來，也抓了一些無辜的但是xpath語法相同的元素。
審查元素我們發(fā)現(xiàn)我們需要的<ul>具有class='directory-url'的屬性，
那么只要把xpath語句改成sel.xpath('//ul[@class="directory-url"]/li')即可
將xpath語句做如下調(diào)整：
from scrapy.spider import Spider
from scrapy.selector import Selector
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
" " ]
def parse(self, response):
sel = Selector(response)
sites = sel.xpath('//ul[@class="directory-url"]/li')
for site in sites:
title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('text()').extract()
print title
成功抓出了所有的標題，絕對沒有濫殺無辜：
3.5使用Item
接下來我們來看一看如何使用Item。
前面我們說過，Item 對象是自定義的python字典，可以使用標準字典語法獲取某個屬性的值：
>>> item = DmozItem()
>>> item['title'] = 'Example title'
>>> item['title']
'Example title'
作為一只爬蟲，Spiders希望能將其抓取的數(shù)據(jù)存放到Item對象中。為了返回我們抓取數(shù)據(jù)，spider的最終代碼應(yīng)當是這樣:
from scrapy.spider import Spider
from scrapy.selector import Selector
from tutorial.items import DmozItem
class DmozSpider(Spider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
" " ]
def parse(self, response):
sel = Selector(response)
sites = sel.xpath('//ul[@class="directory-url"]/li')
items = []
for site in sites:
item = DmozItem()
item['title'] = site.xpath('a/text()').extract()
item['link'] = site.xpath('a/@href').extract()
item['desc'] = site.xpath('text()').extract()
items.append(item)
return items
4.存儲內(nèi)容（Pipeline）
保存信息的最簡單的方法是通過Feed exports，主要有四種：JSON，JSON lines，CSV，XML。
我們將結(jié)果用最常用的JSON導(dǎo)出，命令如下：
scrapy crawl dmoz -o items.json -t json
-o 后面是導(dǎo)出文件名，-t 后面是導(dǎo)出類型。
然后來看一下導(dǎo)出的結(jié)果，用文本編輯器打開json文件即可（為了方便顯示，在item中刪去了除了title之外的屬性）：
因為這個只是一個小型的例子，所以這樣簡單的處理就可以了。
如果你想用抓取的items做更復(fù)雜的事情，你可以寫一個 Item Pipeline(條目管道)。
這個我們以后再慢慢玩^_^
以上便是python爬蟲框架Scrapy制作爬蟲抓取網(wǎng)站內(nèi)容的全部過程了，非常的詳盡吧，希望能夠?qū)Υ蠹矣兴鶐椭?，有需要的話也可以和我?lián)系，一起進步
相關(guān)文章
這篇文章主要介紹了如何安裝并在pycharm使用selenium,本文給大家提到了selenium安裝并導(dǎo)入pycharm的教程，本文通過圖文實例相結(jié)合給大家介紹的非常詳細，對大家的學(xué)習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-04-04
這篇文章主要介紹了Python 有可能刪除 GIL 嗎，幫助大家更好的理解和學(xué)習使用python，感興趣的朋友可以了解下2021-03-03
使用Django中的filter方法進行數(shù)據(jù)查詢的基本操作
在 Django 中,QuerySet 的 filter() 方法是一個強大的工具,用于從數(shù)據(jù)庫中檢索數(shù)據(jù)并根據(jù)指定的條件進行篩選,在本文中,我們將介紹如何使用 filter() 方法來執(zhí)行各種類型的數(shù)據(jù)查詢操作,需要的朋友可以參考下2024-05-05
這篇文章主要介紹了使用PyCharm官方中文語言包漢化PyCharm,需要的朋友可以參考下2020-11-11
而在numpy中有很多的函數(shù)都涉及到axis,numpy中的軸axis是很重要的,許多numpy的操作根據(jù)axis的取值不同,作出的操作也不相同,這篇文章主要給大家介紹了關(guān)于numpy模塊中axis的理解與使用的相關(guān)資料,需要的朋友可以參考下2022-03-03
這篇文章主要介紹了python如何提升爬蟲效率，幫助大家更好的理解和使用python 爬蟲，感興趣的朋友可以參考下2020-09-09
這篇文章主要為大家介紹了Python實現(xiàn)自動駕駛訓(xùn)練模型，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-06-06
這篇文章主要介紹了python的urllib.parse用法及說明,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09
使用LibTorch進行C++調(diào)用pytorch模型方式
這篇文章主要介紹了使用LibTorch進行C++調(diào)用pytorch模型方式，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-12-12
matplotlib之pyplot模塊坐標軸范圍設(shè)置(autoscale(),xlim(),ylim())
這篇文章主要介紹了matplotlib之pyplot模塊坐標軸范圍設(shè)置(autoscale(),xlim(),ylim()),文中通過示例代碼介紹的非常詳細，對大家的學(xué)習或者工作具有一定的參考學(xué)習價值，需要的朋友們下面隨著小編來一起學(xué)習學(xué)習吧2021-03-03