此篇博客为本人对小甲鱼的课程的总结。

关于Scrapy的安装网上都有方法，这里便不再叙述。

使用Scrapy抓取一个网站一共需要四个步骤：

0、创建一个Scrapy项目；

1、定义Item容器；

2、编写爬虫；

3、存储内容。

本次爬取的目标是全球最大的目录网站http://www.dmoztools.net，由于此网站数据过于庞大，我们这里只拿它的两个子网页做测试（手动捂脸）

http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/

http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/

我们需要爬取的是子网页 http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/ 中的名单、超链接、名单描述。

---

0、创建一个Scrapy项目

首先打开cmd窗口输入以下命令将路径移到桌面（其他位置也可以）

cd desktop

然后创建一个Scrapy项目。继续在命令行中输入以下命令，（命令执行后请暂时不用关闭命令行，等下要用）

scrapy startproject tutorial

（创建一个新的Scrapy项目文件夹，文件夹的名字叫tutorial）文件夹中会有一个scrapy.cfg的配置文件和一个tutorial的子文件夹，tutorial文件夹中有如下内容：

0、__init__.py  这个不用多说，是模块的初始化，不用管

1、items.py  项目的容器

2、pipelines.py

3、settings.py 设置文件

4、spiders/ 文件夹，里面只有一个初始化文件__init__.py ,这里需要我们来完善。

等等文件（可能还有一些其他的文件，这里不多叙述）

1、定义Item容器

item容器是什么呢？item容器是保存爬取到的数据的容器，其使用方法和python字典类似，并且提供了额外的保护机制来避免拼写错误导致的未定义字段错误。

接下来我们要建模。为什么要建模呢？因为item容器是用来存放我们爬取到的网页内容，当爬取的时候返回的是整个网页的内容，而往往我们只是需要其中的一部分内容比如这里的网页 http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/ ，我们只需要他的书名、描述、与超链接。

所以这里我们需要改动item容器，打开 tutorial/item.py ，将其中的TutorialItem模块内容改为以下内容并写好注释：

class TutorialItem(scrapy.Item):

    # define the fields for your item here like:

    # name = scrapy.Field()

    title = scrapy.Field()  #标题

    link = scrapy.Field()   #超链接

    desc = scrapy.Field()   #描述

保存退出。

2、编写爬虫

接下来是编写爬虫类Spider，Spider是用户编写用于从网站上爬取数据的类。

其包含了一个用于下载的初始URL，然后是如何跟进网页中的链接以及如何分析页面中的内容，还有提取生成item的方法。

接下来我们在Spider文件夹中新建一个叫 dmoz_spider.py 的文件，编写以下代码：（其中name是本次的项目名）

import scrapy

class DmozSpider(scrapy.Spider):

    name = "dmoz"

    #allowed_domains是为了防止在爬取的时候进入了其他网站

    allowed_domains = ['dmoztools.net']

    #初始爬取位置

    star_url = [

        'http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/'

        'http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/'

        ]

    #定义一个分析方法

    def parse(self, response):

        filename = response.url.split("/")[-2]

        with open(filename, 'wb') as f:

            f.write(response,body)

保存关闭。代码解释（解释的不是很好，大概意思理解就行，不喜勿喷）：

在本地目录下创建两个文件，叫做Books和Resource，然后将start_url中的两个初始网址提交给Scrapy引擎，Scrapy引擎中有下载器，会将网站的源代码下载过来，然后根据parse方法将下载的内容存放到Books和Resource中。

接下来继续进入刚才的cmd窗口，输入以下命令将路径切换到tutorial文件夹中：

cd tutorial

继续在命令行输入以下命令：

scrapy crawl dmoz

其中crawl是爬取的意思，dmoz是项目名。

然后输入回车执行。成功的话将会出现以下信息：

并且命令执行后在当前目录会生成两个新的文件，叫做Books和Resource。两个文件的内容就是爬取到的网站内容（即网站的源代码）。

3、存储内容

以往我们在爬取网页内容的时候都是使用的html的正则表达式，但是在Scrapy中是使用一种基于Xpath和CSS的表达式机制：Scrapy Selectors

Selectors是一个选择器，它有四个基本的方法：

xpath()： 传入spath表达式，返回该表达式所对应的所有节点的selector list列表

css()：传入CSS表达式，返回该表达式所对应的所有节点的selector list列表

extract()：序列化该节点为unicode字符串并返回list

re()：根据传入的正则表达式对数据进行提取，返回unicode字符串list列表

存储数据之前我们先进去scrapy的shell窗口进行测试。继续对刚才的cmd窗口进行操作，输入以下命令进入shell窗口：

scrapy shell "http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/"

目的是进入该网站的scrapy shell窗口，界面如下：

此时我们便可以对他进行操作。

其实这是返回我们刚才的response对象，我们可以对他进行一系列操作，比如response.body命令将会出现该网站的源代码，response.headers命令会出现网站的头配置等等

现在我们列举几个该对象的使用方法：

/html/head/title：选择html文档中<head>标签内的<title>元素；

/html/head/title/text()：选择上面提到的<title>元素的文字；

//td：选择所有的<td>元素；

//div[@class='mine']：选择所有具有class='mine'属性的div元素。

此时shell窗口中还有 一个返回对象sel，接下来我们进行查找名单的测试。

输入命令：（以下出现的路径请自行检查网页内容进行查看，右键点击网页对象选择检查即可出现）

sel.xpath('//section/div/div/div/div/a/div/text()').extract()

执行后将会返回网页中的所有名单，图如下：

同样，输入命令以下命令将会返回所有名单的超链接和描述

sel.xpath('//section/div/div/div/div/a/@href').extract() 　　//返回超链接
sel.xpath('//section/div/div/div/div/a/div/text()').extract()　　　　//返回名单描述

好，测试完了之后我们来继续编写代码。

现在我们来对爬取内容进行筛选

打开编辑我们刚才编写的 dmoz_spider.py 文件，将内容改为以下内容

import scrapy

from tutorial.items import TutorialItem #引入模块

class DmozSpider(scrapy.Spider):

    name = "dmoz"

    #allowed_domains是为了防止在爬取的时候进入了其他网站

    allowed_domains = ['dmoztools.net']

    #初始爬取位置

    start_urls = [

        'http://www.dmoztools.net/Computers/Programming/Languages/Python/Books/',

        'http://www.dmoztools.net/Computers/Programming/Languages/Python/Resources/'

        ]

    #定义一个分析方法

    def parse(self, response):

        sel = scrapy.selector.Selector(response) #分析返回的response对象

        #//section/div/div/div/div/a/div/text()

        sites = sel.xpath('//section/div/div/div/div')    #对内容进行筛选

        items = []

        for site in sites:    #对爬取内容进行进一步筛选

            item = TutorialItem()

            item['title'] = site.xpath('a/div/text()').extract()

            item['link'] = site.xpath('a/@href').extract()

            item['desc'] = site.xpath('div/text()').extract()

            items.append(item)    #将筛选后的内容添加到列表items中

        return items

保存退出。然后继续在cmd窗口进行操作，首先退出shell窗口：

exit()

随后开始爬取网站内容并将筛选后的数据导出，进行以下命令：

scrapy crawl dmoz -o items.json -t json

-o后面接导出的文件名；-t后面接导出的形式，形式常用的有四种：json、xml、jsonlines以及csv，这里我使用的是json。

执行后在当前路径会产生一个 items.json 的文件，我们使用文本编辑器打开它时会发现，里面就是我们本次要爬取的筛选后的内容：

本次爬取到这里便成功完成！

谢谢观看！(๑•̀ㅂ•́)و✧

我演了很多悲剧，到头来你们都说那是喜剧。            ------------------周星驰

Python Scrapy爬虫框架之初次使用的更多相关文章

  1. Python Scrapy 爬虫框架实例（一）

    之前有介绍 scrapy 的相关知识,但是没有介绍相关实例,在这里做个小例,供大家参考学习. 注:后续不强调python 版本,默认即为python3.x. 爬取目标 这里简单找一个图片网站,获取图片 ...

  2. Python Scrapy 爬虫框架实例

    之前有介绍 scrapy 的相关知识,但是没有介绍相关实例,在这里做个小例,供大家参考学习. 注:后续不强调python 版本,默认即为python3.x. 爬取目标 这里简单找一个图片网站,获取图片 ...

  3. python scrapy爬虫框架概念介绍(个人理解总结为一张图)

    python的scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架   python和scrapy的安装就不介绍了,资料很多 这里我个人总结一下,能更加快理解scrapy和快速上手一个简 ...

  4. [Python] Scrapy爬虫框架入门

    说明: 本文主要学习Scrapy框架入门,介绍如何使用Scrapy框架爬取页面信息. 项目案例:爬取腾讯招聘页面 https://hr.tencent.com/position.php?&st ...

  5. python - scrapy 爬虫框架（创建, 持久化, 去重, 深度, cookie）

    ## scrapy 依赖 twisted  - twisted 是一个基于事件循环的 异步非阻塞 框架/模块 ##  项目的创建  1. 创建 project scrapy startproject ...

  6. python - scrapy 爬虫框架 ( 起始url的实现，深度和优先级，下载中间件 )

    1.  start_urls  --  起始URL 的内部实现(将迭代器转换为生成器) class QSpider(scrapy.Spider): name = 'q' allowed_domains ...

  7. (1)python Scrapy爬虫框架

    部署 1.安装python3.6  64bit 2.下载pywin32 https://sourceforge.net/projects/pywin32/files/pywin32/ 双击安装 3.下 ...

  8. python scrapy爬虫框架

    http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html scrapy 提取html的标签内容 from scrapy.selec ...

  9. python - scrapy 爬虫框架 ( redis去重 )

    1.  使用内置,并加以修改 ( 自定义 redis 存储的 keys ) settings 配置 # ############### scrapy redis连接 ################# ...

随机推荐

  1. 微信小程序textarea层级过高(盖住其他元素)

    根据官方文档,textarea 是原生组件 (https://developers.weixin.qq.com/miniprogram/dev/component/textarea.html),所谓原 ...

  2. 【ABAP系列】ABAP CL_ABAP_CONV_IN_CE

    公众号:SAP Technical 本文作者:matinal 原文出处:http://www.cnblogs.com/SAPmatinal/ 原文链接:[ABAP系列]ABAP CL_ABAP_CON ...

  3. Sed---linux系统三剑客（二）

    grep .sed.awk被称为linux中的"三剑客". grep 更适合单纯的查找或匹配文本 sed  更适合编辑匹配到的文本 awk  更适合格式化文本,对文本进行较复杂格式 ...

  4. PJzhang:目录扫描复合工具dirmap

    猫宁!!! 参考:https://www.freebuf.com/sectool/200890.html github地址: https://github.com/H4ckForJob/dirmap ...

  5. Ubuntu搭建Spring源码环境常见问题

    在一心想要学习Spring框架源码时,我们会遇到很多麻烦的问题.开始本文前,你只需要拥有一个装好IDEA的Ubuntu系统就可以愉快启程了.如果还没有IDEA,可以参考在Ubuntu上安装Intell ...

  6. 什么是MVC模型

    经典的MVC模式 MVC是模型-视图-控制器的简称. M代表示模型,英文是Model.也就是指POJO(JavaBean) V表示视图,英文是View.也就是.jsp,同类的视图html,pdf,ex ...

  7. windows 修改Administrator管理员账户名

      用[Win+R]组合键命令打开[运行]界面,输入[gpedit.msc],按[回车键]或[鼠标左键]单击[确定]按钮:   在弹出的[本地组策略编辑器]对话框中,依次[鼠标左键]点击打开:[计算机 ...

  8. Java web server 基本实现原理

    public class WebServer { //服务端Socket只要一个,所以定义成static, 同一时间只能一个线程访问(主线程) private static ServerSocket ...

  9. 编写程序模拟strlwr()和strupr()函数功能

    strlwr(字符串)strlwr()的作用是将字符串中大写字母转换成小写字母 strupr(字符串)strupr()的作用是将字符串中小写字母转换成大写字母 /* strlwr(字符串) strlw ...

  10. User space(用户空间) 与 Kernel space(内核空间)

    出处: User space 与 Kernel space (整理)用户空间_内核空间以及内存映射 学习 Linux 时,经常可以看到两个词:User space(用户空间)和 Kernel spac ...