python scrapy 简单的爬虫

1 scrapy的文档 比较简单 

http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/overview.html

我假定你已经安装了Scrapy。假如你没有安装,你可以参考这篇文章。

在本文中，我们将学会如何使用Scrapy建立一个爬虫程序，并爬取指定网站上的内容

1. 创建一个新的Scrapy Project 

　　scrapy creatproject "project-name"

2. 定义你需要从网页中提取的元素Item

3.实现一个Spider类，通过接口完成爬取URL和提取Item的功能

4. 实现一个Item PipeLine类，完成Item的存储功能

我将会用腾讯招聘官网作为例子。

Github源码：https://github.com/maxliaops/scrapy-itzhaopin

 

目标：抓取腾讯招聘官网职位招聘信息并保存为JSON格式。

新建工程

首先，为我们的爬虫新建一个工程，首先进入一个目录（任意一个我们用来保存代码的目录），执行：

scrapy startproject  yiou

 

最后的itzhaopin就是项目名称。这个命令会在当前目录下创建一个新目录itzhaopin，结构如下：

.

 

 

scrapy.cfg: 项目配置文件

items.py: 需要提取的数据结构定义文件

pipelines.py:管道定义，用来对items里面提取的数据做进一步处理，如保存等

settings.py: 爬虫配置文件

spiders: 放置spider的目录

 

定义Item

在items.py里面定义我们要抓取的数据：

1 2 3 4 5 6 7 8

import scrapy class YiouItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() sub_title = scrapy.Field() editor = scrapy.Field() tags = scrapy.Field() pass

实现Spider

Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类，有三个必需的定义的成员

name: 名字，这个spider的标识

start_urls:一个url列表，spider从这些网页开始抓取

parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容，同时需要返回下一个需要抓取的网页，或者返回items列表

所以在spiders目录下新建一个spider，tencent_spider.py:

16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38

# -*- coding:utf-8 -*- import scrapy from yiou.items import YiouItem import logging class YiouSpider(scrapy.Spider): name = "yiou" allowed_domains = "iyiou.com" start_urls = [ "http://www.iyiou.com/" ] def parse(self, response): for sel in response.xpath("//*[@id='post_list']/div"): item = YiouItem() item['title'] = sel.xpath("div[2]/h1/a/text()").extract() item['sub_title'] = sel.xpath("div[2]/p/text()").extract() item['editor'] = sel.xpath("div[2]/div[1]/div[1]/a/text()").extract() item['tags'] = sel.xpath("/div[2]/div[2]/div/a/text()").extract() yield item

实现PipeLine 

PipeLine用来对Spider返回的Item列表进行保存操作，可以写入到文件、或者数据库等。

PipeLine只有一个需要实现的方法：process_item，例如我们将Item保存到JSON格式文件中：

pipelines.py

1 2 3 4 5 6 7 8 9 10 11 12 13

import json class YiouPipeline(object): def __init__(self): self.file = open('items.json', 'wb') def process_item(self, item, spider): line = json.dumps(dict(item)) + "\n" self.file.write(line.encode("GBK")) # self.file.write(item['title'].encode("GBK")) # self.file.write("\n") # self.file.write(item['sub_title'].encode("GBK")) # self.file.write("\n") # self.file.write(item['editor'].encode("GBK")) # self.file.write("\n") # self.file.write(item['tags'].encode("GBK")) # self.file.write("\n") return item

 

到现在，我们就完成了一个基本的爬虫的实现，可以输入下面的命令来启动这个Spider:

1	scrapy crawl yiou

爬虫运行结束后，在当前目录下将会生成一个名为items.json的文件，其中以JSON格式保存了职位招聘信息。