scrapy研究探索(二)——爬w3school.com.cn
下午被一个问题困扰了好一阵。终于使用还有一种方式解决。
開始教程二。关于Scrapy安装、介绍等请移步至教程(一)(http://blog.csdn.net/u012150179/article/details/32343635)。
在開始之前如果你已经安装成功一切所需,整怀着一腔热血想要抓取某站点。
一起来have a try。
1. 前期基础准备。
Oh,不能在准备了,直接来。
(1) 创建项目。
输入:
scapy startproject w3school
以上创建项目w3school。这时会产生w3school目录,目录下文件例如以下:
scrapy.cfg
w3school/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
当中scrapy.cfg目的配置文件。主要改写的是w3school中的三个文件以及当中spiders中须要编写的爬虫。
一个一个来。
(2) 在items.py中定义Item容器。也就是编写items.py内容。
所谓Item容器就是将在网页中获取的数据结构化保存的数据结构,类似于python中字典。以下为items.py中代码。
#project: w3school
#file : items.py
#author : younghz
#brief : define W3schoolItem. from scrapy.item import Item,Field class W3schoolItem(Item):
title = Field()
link = Field()
desc = Field()
上面定义了自己的W3schoolItem类,它继承自scrapy的Item(这里没有显示定义W3schoolItem的__init__()方法。也正由于如此,python也会为你自己主动调用基类的__init__(),否则必须显式在子类的__init__()中调用基类__init__())。
之后声明W3schoolItem中元素并使用Field定义。到此items.py就OK了。
(3) 在pipelines.py中编写W3schoolPipeline实现对item的处理。
在当中主要完毕数据的查重、丢弃,验证item中数据。将得到的item数据保存等工作。代码例如以下:
import json
import codecs class W3SchoolPipeline(object):
def __init__(self):
self.file = codecs.open('w3school_data_utf8.json', 'wb', encoding='utf-8') def process_item(self, item, spider):
line = json.dumps(dict(item)) + '\n'
# print line
self.file.write(line.decode("unicode_escape"))
return item
当中的process_item方法是必须调用的用来处理item,而且返回值必须为Item类的对象。或者是抛出DropItem异常。而且上述方法将得到的item实现解码,以便正常显示中文。终于保存到json文件里。
注意:在编写完pipeline后。为了可以启动它,必须将其增加到ITEM_PIPLINES配置中,即在settings.py中增加以下一句:
ITEM_PIPELINES = {
'w3school.pipelines.W3SchoolPipeline':300
}
2.编写爬虫。
爬虫编写是在spider/目录下编写w3cshool_spider.py。
先上整个程序在慢慢解释:
#!/usr/bin/python
# -*- coding:utf-8 -*- from scrapy.spider import Spider
from scrapy.selector import Selector
from scrapy import log from w3school.items import W3schoolItem class W3schoolSpider(Spider):
"""爬取w3school标签"""
#log.start("log",loglevel='INFO')
name = "w3school"
allowed_domains = ["w3school.com.cn"]
start_urls = [
"http://www.w3school.com.cn/xml/xml_syntax.asp"
] def parse(self, response): sel = Selector(response)
sites = sel.xpath('//div[@id="navsecond"]/div[@id="course"]/ul[1]/li')
items = [] for site in sites:
item = W3schoolItem() title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('a/@title').extract() item['title'] = [t.encode('utf-8') for t in title]
item['link'] = [l.encode('utf-8') for l in link]
item['desc'] = [d.encode('utf-8') for d in desc]
items.append(item) #记录
log.msg("Appending item...",level='INFO') log.msg("Append done.",level='INFO')
return items
(1)须要注意的是编写的spider必须继承自scrapy的Spider类。
属性name即spider唯一名字,start_url能够理解为爬取入口。
(2)parse方法。
parse()是对scrapy.Spider类的override。
(3)网页中的数据提取机制。
scrapy使用选择器Selector并通过XPath实现数据的提取。关于XPath 推荐w3school的教程。
小工具:
关于网页代码中意向信息的查找能够借助几个工具:
第一个——Firefox插件Firebug。
第二个——Firefox插件XPath。能够高速的在网页中对xpath表达式的正确性进行验证。
第三个——scrapy shell.关于其使用能够查看教程。
分析:
在这里我提取的是http://www.w3school.com.cn/xml/xml_syntax.asp网页中下图部分。
即“XML 基础”下全部文件夹结构的名字、链接和描写叙述。
使用Firebug找到次部分相应的代码块后就能够使用XPath运行信息提取。Xpath表达式如上面代码中所看到的。
上面还涉及到了对item中信息的编码,是为了中文信息在json文件里的正确显示。
(4)在parse方法中还使用到了log功能实现信息记录。使用log.mes()函数就可以。
3.运行。
一切就绪。
进入到项目文件夹下,运行:
scrapy crawl w3school --set LOG_FILE=log
在文件夹下生成log和w3school_data_utf8.json文件。
查看生成的json文件:
OK。这就实现了针对 http://www.w3school.com.cn/xml/xml_syntax.asp中导航条部分的提取。
原创,转载注明:http://blog.csdn.net/u012150179/article/details/32911511
关于scrapy的其他文章:
http://blog.csdn.net/u012150179/article/details/34913315
http://blog.csdn.net/u012150179/article/details/34486677
http://blog.csdn.net/u012150179/article/details/34441655
scrapy研究探索(二)——爬w3school.com.cn的更多相关文章
- Scrapy研究探索(六)——自己主动爬取网页之II(CrawlSpider)
原创,转载注明:http://blog.csdn.net/u012150179/article/details/34913315 一.目的. 在教程(二)(http://blog.csdn.net/u ...
- Scrapy研究探索(三)——Scrapy核心架构与代码执行分析
学习曲线总是这样,简单样例"浅尝".在从理论+实践慢慢攻破.理论永远是基础,切记"勿在浮沙筑高台". 一. 核心架构 关于核心架构.在官方文档中阐述的非常清晰, ...
- Scrapy研究和探索(五岁以下儿童)——爬行自己主动多页(抢别人博客所有文章)
首先.在教程(二)(http://blog.csdn.net/u012150179/article/details/32911511)中,研究的是爬取单个网页的方法.在教程(三)(http://blo ...
- Python爬虫框架Scrapy实例(二)
目标任务:使用Scrapy框架爬取新浪网导航页所有大类.小类.小类里的子链接.以及子链接页面的新闻内容,最后保存到本地. 大类小类如下图所示: 点击国内这个小类,进入页面后效果如下图(部分截图): 查 ...
- 关于ADMM的研究(二)
关于ADMM的研究(二) 4. Consensus and Sharing 本节讲述的两个优化问题,是非常常见的优化问题,也非常重要,我认为是ADMM算法通往并行和分布式计算的一个途径:consens ...
- Scrapy爬虫框架之爬取校花网图片
Scrapy 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. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设 ...
- 爬虫框架Scrapy之案例二
新浪网分类资讯爬虫 爬取新浪网导航页所有下所有大类.小类.小类里的子链接,以及子链接页面的新闻内容. 效果演示图: items.py import scrapy import sys reload(s ...
- scrapy框架(二)
scrapy框架(二) 一.scrapy 选择器 概述: Scrapy提供基于lxml库的解析机制,它们被称为选择器. 因为,它们“选择”由XPath或CSS表达式指定的HTML文档的某部分. Sca ...
- 【转载】python3安装scrapy之windows32位爬坑
python3安装scrapy之windows32位爬坑 原创 2016年11月06日 01:38:08 标签: scrapy / windows / python / 开源框架 / 网络爬虫 早 ...
随机推荐
- six.moves的用法
six是用来兼容python 2 和 3的,我猜名字就是用的2和3的最小公倍数. six.moves 是用来处理那些在2 和 3里面函数的位置有变化的,直接用six.moves就可以屏蔽掉这些变化 P ...
- 重定向标准输出到socket的方法
- poj--1383--Labyrinth(树的直径)
Labyrinth Time Limit: 2000MS Memory Limit: 32768K Total Submissions: 4062 Accepted: 1529 Descrip ...
- nyoj--114--某种序列(滚动数组)
某种序列 时间限制:3000 ms | 内存限制:65535 KB 难度:4 描述 数列A满足An = An-1 + An-2 + An-3, n >= 3 编写程序,给定A0, A1 和 ...
- CXF2.7.7 java.lang.RuntimeException: Cannot create a secure XMLInputFactory
cxf-2.7.7.jar neethi-3.0.2.jar stax2-api-3.1.1.jar woodstox-core-asl-4.2.0.jar wsdl4j-1.6.3.jar xmls ...
- 限制textfield的文字长度
-(BOOL)textField:(UITextField *)textField shouldChangeCharactersInRange:(NSRange)range replacementSt ...
- crawler4j详细配置
控制器类必须传一个类型为CrawlConfig的参数,用于配置crawler4j.下面描述了一些关于配置的细节. 抓取深度 默认情况下没有抓取深度的限制.可以通过配置来限制深度,比如,你有个种子页面A ...
- c#中集成Swagger
Swagger是什么? 官方说法:Swagger是一个规范和完整的框架,用于生成.描述.调用和可视化 RESTful 风格的 Web 服务.总体目标是使客户端和文件系统作为服务器以同样的速度来更新.文 ...
- ubuntu软件卸载方法
一.查看软件包 1.查看已安装的软件包 dpkg --list 2.查看不知道要删除软件的具体名称 dpkg --get-selections | grep <软件相关名称> 二.卸载 1 ...
- 数组常用API
内容待添加... //根据分数排名字 //方法1 var students = ['小明','小红','小花'] var scores = {小明:,小红:,小花:} //1 添加分数到student ...