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. python列表插入--append(), extend(), insert()

    append(),extend(), insert()都是列表操作中常用的插入函数.其中前两个均接收一个参数,并插入到列表尾部.最后一个接收两个参数,将参数2插入到参数1之前. 本文主要讨论appen ...

  2. webdriver(处理select下拉框元素)

    """处理下拉框""" from selenium import webdriver from selenium.webdriver.com ...

  3. 【ARM-Linux开发】Linux下查看机器的CPU负载

    负载(load)是Linux机器的一个重要指标,直观了反应了机器当前的状态.如果机器负载过高,那么对机器的操作将难以进行. Linux的负载高,主要是由于CPU使用.内存使用.IO消耗三部分构成.任意 ...

  4. 解决java.lang.SecurityException: Invalid signature file digest for Manifest main attributes

    解决java.lang.SecurityException: Invalid signature file digest for Manifest main attributes 当项目依赖其他jar ...

  5. 学习笔记：CentOS7学习之十六：LVM管理和ssm存储管理器使用

    目录 学习笔记:CentOS7学习之十六:LVM管理和ssm存储管理器使用 16.1 LVM的工作原理 16.1.1 LVM常用术语 16.1.2 LVM优点 16.2 创建LVM的基本步骤 16.2 ...

  6. 如何使用RedisTemplate访问Redis数据结构之Hash

    Redis的Hash数据机构 Redis的散列可以让用户将多个键值对存储到一个Redis键里面. public interface HashOperations<H,HK,HV> Hash ...

  7. Numbers(CodeForces-128D)【思维/list】

    题目链接:https://vjudge.net/problem/CodeForces-128D 题意:给出一组数,要求将这些数排列成一个环,满足每相邻两个数的差值为1,问能否完成. 思路:先取出最小的 ...

  8. 集成板的CodeBlocks编译器配置相关文档

    如需安装包请后台留言!! 原文链接:https://w.url.cn/s/A1RSfZP 打开安装包进行安装,除安装路径大家可以自行调整外, 其他默认即可.最后安装完成,CodeBlocks的大门即将 ...

  9. MySQL 官方样板数据库sakila

    Sakila示例数据库最初由MySQL AB文档团队的前成员Mike Hillyer开发,旨在提供可用于书籍,教程,文章,样本等示例的标准模式. Sakila示例数据库还用于突出MySQL的最新功能, ...

  10. Spring Boot（一） 初步理解Spring Boot

    一.Spring Boot所解决的问题 Java开发十分笨重:繁多的配置.低下的开发效率.复杂的部署流程以头疼的第三方技术集成. Spring Boot的理念:习惯优于配置——项目中存在大量的配置,此 ...