【网络爬虫】【python】网络爬虫（五）：scrapy爬虫初探——爬取网页及选择器

在上一篇文章的末尾，我们创建了一个scrapy框架的爬虫项目test，现在来运行下一个简单的爬虫，看看scrapy爬取的过程是怎样的。

一、爬虫类编写（spider.py）

from scrapy.spider import BaseSpider

class test(BaseSpider):
    name = "test"
    allowed_domains = ["yuedu.baidu.com"]
    start_urls = ["http://yuedu.baidu.com/book/list/0?od=0&show=1&pn=0"]

    def parse(self, response):
        print response.url

二、爬网页：运行scrapy项目

这里选择从命令行启动运行项目的方式，一定要注意工程目录结构，能够运行scrapy命令的只有scrapy安装的根目录下。

cd到scrapy的根目录，我的是D:\Python27\，然后运行scrapy命令：scrapy runspider test\test\spiders\spider.py。（或者直接运行工程项目的命令scrapy crawl test），可以看到爬虫爬取的过程有一些debug信息输出：

scrapy给爬虫的start_urls属性中的每个url创建了一个scrapy.http.Request对象，指定parse()方法为回调函数。当这些Request被调度并执行，之后通过parse()返回scrapy.http.Response对象，返回给爬虫。

三、取网页：网页解析

这里用shell爬取网页，cd到项目的根目录test\下，在cmd中输入：

scrapy shell http://yuedu.baidu.com

可以看到结果如下图：

刚才的整个过程中，shell载入url后获得了响应，由本地变量response存储响应结果。

来看下response的内容，输入response.body可以查看response的body部分，即抓到的网页内容：

要查看head部分，输入response.headers：

四、用选择器xpath提取网页

之前提取网页是用的正则，这里选择器xpath提供了更好的接口。shell有一个selector对象sel，可以根据返回的数据类型自动选择最佳的解析方式（XML or HTML），无需再指明了。

1.抓取网页标题，即<titie>标签，在命令行里输入：response.selector.xpath(‘//title’)

或者：response.xpath(‘//title’)

2.抓取<title>下的<text>内容，命令sel.xpath(‘//title/text()’).extract()

先写到这里，下篇文章给出一个关于scrapy项目的完整实例。

原创文章，转载请注明出处：http://blog.csdn.net/dianacody/article/details/39753933