python爬虫框架scrapy实例详解

ybw8 9年前

生成项目scrapy提供一个工具来生成项目,生成的项目中预置了一些文件,用户需要在这些文件中添加自己的代码。打开命令行,执行:scrapy st...

生成项目

scrapy提供一个工具来生成项目,生成的项目中预置了一些文件,用户需要在这些文件中添加自己的代码。

打开命令行,执行:scrapy startproject tutorial,生成的项目类似下面的结构

tutorial/

   scrapy.cfg

   tutorial/

       __init__.py

       items.py

       pipelines.py

       settings.py

       spiders/

           __init__.py

           ...

scrapy.cfg是项目的配置文件

用户自己写的spider要放在spiders目录下面,一个spider类似

from scrapy.spider import BaseSpider  class DmozSpider(BaseSpider):      name = "dmoz"      allowed_domains = ["dmoz.org"]      start_urls = [          "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",          "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"      ]      def parse(self, response):          filename = response.url.split("/")[-2]          open(filename, 'wb').write(response.body)

name属性很重要,不同spider不能使用相同的name

start_urls是spider抓取网页的起始点,可以包括多个url

parse方法是spider抓到一个网页以后默认调用的callback,避免使用这个名字来定义自己的方法。

当spider拿到url的内容以后,会调用parse方法,并且传递一个response参数给它,response包含了抓到的网页的内容,在parse方法里,你可以从抓到的网页里面解析数据。上面的代码只是简单地把网页内容保存到文件。


开始抓取

你可以打开命令行,进入生成的项目根目录tutorial/,执行 scrapy crawl dmoz, dmoz是spider的name。


解析网页内容

scrapy提供了方便的办法从网页中解析数据,这需要使用到HtmlXPathSelector

from scrapy.spider import BaseSpider  from scrapy.selector import HtmlXPathSelector  class DmozSpider(BaseSpider):      name = "dmoz"      allowed_domains = ["dmoz.org"]      start_urls = [          "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",          "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"      ]      def parse(self, response):          hxs = HtmlXPathSelector(response)          sites = hxs.select('//ul/li')          for site in sites:              title = site.select('a/text()').extract()              link = site.select('a/@href').extract()              desc = site.select('text()').extract()              print title, link, desc

HtmlXPathSelector使用了Xpath来解析数据

//ul/li表示选择所有的ul标签下的li标签

a/@href表示选择所有a标签的href属性

a/text()表示选择a标签文本

a[@href="abc"]表示选择所有href属性是abc的a标签

我们可以把解析出来的数据保存在一个scrapy可以使用的对象中,然后scrapy可以帮助我们把这些对象保存起来,而不用我们自己把这些数据存到文件中。我们需要在items.py中添加一些类,这些类用来描述我们要保存的数据

from scrapy.item import Item, Field

class DmozItem(Item):

   title = Field()

   link = Field()

   desc = Field()

然后在spider的parse方法中,我们把解析出来的数据保存在DomzItem对象中。

from scrapy.spider import BaseSpider  from scrapy.selector import HtmlXPathSelector  from tutorial.items import DmozItem  class DmozSpider(BaseSpider):     name = "dmoz"     allowed_domains = ["dmoz.org"]     start_urls = [         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"     ]     def parse(self, response):         hxs = HtmlXPathSelector(response)         sites = hxs.select('//ul/li')         items = []         for site in sites:             item = DmozItem()             item['title'] = site.select('a/text()').extract()             item['link'] = site.select('a/@href').extract()             item['desc'] = site.select('text()').extract()             items.append(item)         return items

在命令行执行scrapy的时候,我们可以加两个参数,让scrapy把parse方法返回的items输出到json文件中

scrapy crawl dmoz -o items.json -t json

items.json会被放在项目的根目录


让scrapy自动抓取网页上的所有链接

上面的示例中scrapy只抓取了start_urls里面的两个url的内容,但是通常我们想实现的是scrapy自动发现一个网页上的所有链接,然后再去抓取这些链接的内容。为了实现这一点我们可以在parse方法里面提取我们需要的链接,然后构造一些Request对象,并且把他们返回,scrapy会自动的去抓取这些链接。代码类似:

class MySpider(BaseSpider):      name = 'myspider'      start_urls = (          'http://example.com/page1',          'http://example.com/page2',          )      def parse(self, response):          # collect `item_urls`          for item_url in item_urls:              yield Request(url=item_url, callback=self.parse_item)      def parse_item(self, response):          item = MyItem()          # populate `item` fields          yield Request(url=item_details_url, meta={'item': item},              callback=self.parse_details)      def parse_details(self, response):          item = response.meta['item']          # populate more `item` fields          return item


parse是默认的callback, 它返回了一个Request列表,scrapy自动的根据这个列表抓取网页,每当抓到一个网页,就会调用parse_item,parse_item也会返回一个列表,scrapy又会根据这个列表去抓网页,并且抓到后调用parse_details

为了让这样的工作更容易,scrapy提供了另一个spider基类,利用它我们可以方便的实现自动抓取链接. 我们要用到CrawlSpider

from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor  class MininovaSpider(CrawlSpider):      name = 'mininova.org'      allowed_domains = ['mininova.org']      start_urls = ['http://www.mininova.org/today']      rules = [Rule(SgmlLinkExtractor(allow=['/tor/\d+'])),               Rule(SgmlLinkExtractor(allow=['/abc/\d+']), 'parse_torrent')]      def parse_torrent(self, response):          x = HtmlXPathSelector(response)          torrent = TorrentItem()          torrent['url'] = response.url          torrent['name'] = x.select("//h1/text()").extract()          torrent['description'] = x.select("//div[@id='description']").extract()          torrent['size'] = x.select("//div[@id='info-left']/p[2]/text()[2]").extract()          return torrent

相比BaseSpider,新的类多了一个rules属性,这个属性是一个列表,它可以包含多个Rule,每个Rule描述了哪些链接需要抓取,哪些不需要。这是Rule类的文档http://doc.scrapy.org/en/latest/topics/spiders.html#scrapy.contrib.spiders.Rule

这些rule可以有callback,也可以没有,当没有callback的时候,scrapy简单的follow所有这些链接.

pipelines.py的使用

在pipelines.py中我们可以添加一些类来过滤掉我们不想要的item,把item保存到数据库。

from scrapy.exceptions import DropItem  class FilterWordsPipeline(object):      """A pipeline for filtering out items which contain certain words in their      description"""      # put all words in lowercase      words_to_filter = ['politics', 'religion']      def process_item(self, item, spider):          for word in self.words_to_filter:              if word in unicode(item['description']).lower():                  raise DropItem("Contains forbidden word: %s" % word)          else:              return item

如果item不符合要求,那么就抛一个异常,这个item不会被输出到json文件中。

要使用pipelines,我们还需要修改settings.py

添加一行

ITEM_PIPELINES = ['dirbot.pipelines.FilterWordsPipeline']

现在执行scrapy crawl dmoz -o items.json -t json,不符合要求的item就被过滤掉了