使用scrapy进行数据爬取
1.scrapy是一个python进行网页爬取的库
文档:http://scrapy-chs.readthedocs.org/zh_CN/latest/index.html
安装:sudo pip easy_install scrapy
2.生成项目
scrapy startproject projectname
目录结构:
tutorial/ scrapy.cfg tutorial/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...
- scrapy.cfg: 项目的配置文件
- tutorial/: 该项目的python模块。之后您将在此加入代码。
- tutorial/items.py: 项目中的item文件.
- tutorial/pipelines.py: 项目中的pipelines文件.
- tutorial/settings.py: 项目的设置文件.
- tutorial/spiders/: 放置spider代码的目录.
3.定义item
Item 是保存爬取到的数据的容器;其使用方法和python字典类似, 并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。
类似在ORM中做的一样,您可以通过创建一个 scrapy.item.Item 类, 并且定义类型为scrapy.item.Field 的类属性来定义一个Item。 (如果不了解ORM, 不用担心,您会发现这个步骤非常简单)
首先根据需要从dmoz.org获取到的数据对item进行建模。 我们需要从dmoz中获取名字,url,以及网站的描述。 对此,在item中定义相应的字段。编辑 tutorial 目录中的 items.py 文件:
from scrapy.item import Item, Field class CnblogItem(Item): title = Field() link = Field() url = Field()
3.编辑spider
为了创建一个Spider,您必须继承 scrapy.spider.Spider 类, 且定义以下三个属性:
- name: 用于区别Spider。 该名字必须是唯一的,您不可以为不同的Spider设定相同的名字。
- start_urls: 包含了Spider在启动时进行爬取的url列表。 因此,第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
- parse_item() 是spider的一个方法。 被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。
以下为我们的第一个Spider代码,保存在 tutorial/spiders 目录下的 dmoz_spider.py 文件中:
from scrapy.selector import Selector from scrapy.contrib.spiders import CrawlSpider,Rule from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor from cnblog.items import CnblogItem class DmozSpider(CrawlSpider): name = 'dmoz' allowed_domains = ['cnblogs.com'] start_urls = ['http://www.cnblogs.com/yu-zhang'] rules = [ Rule(SgmlLinkExtractor(allow=('yu-zhang/default.html\?page\=([\w]+)', ),)), Rule(SgmlLinkExtractor(allow=('yu-zhang/p/', )), callback='parse_item'), ] def parse_item(self, response): sel = Selector(response) sites = sel.xpath('//h1') items = [] for site in sites: item = CnblogItem() item['title'] = sel.xpath('/html/head/title/text()').extract() item['link'] = site.xpath('a/@href').extract() item['url'] = response.url items.append(item) return items
4.抓取
执行命令 scrapy crawl dmoz 便可进行抓取
执行命令 scrapy crawl dmoz -o items.json -t json 可将抓取内容保存在item.json文件中