scrapy框架系列 (2) 一个简单案例

落日映苍穹つ 2022-05-30 03:06 195阅读 0赞

## 学习目标 ##

*  创建一个Scrapy项目
 *  定义提取的结构化数据(Item)
 *  编写爬取网站的 Spider 并提取出结构化数据(Item)
 *  编写 Item Pipelines 来存储提取到的Item(即结构化数据)

## 一. 新建项目(scrapy startproject) ##

*  在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：

scrapy startproject mySpider

*  其中， mySpider 为项目名称，可以看到将会创建一个 mySpider 文件夹，目录结构大致如下：

![20180303093353656][]

下面来简单介绍一下各个主要文件的作用：

> scrapy.cfg ：项目的配置文件
> 
> mySpider/ ：项目的Python模块，将会从这里引用代码
> 
> mySpider/items.py ：项目的目标文件
> 
> mySpider/pipelines.py ：项目的管道文件
> 
> mySpider/settings.py ：项目的设置文件
> 
> mySpider/spiders/ ：存储爬虫代码目录

## 二、明确目标(mySpider/items.py) ##

我们打算抓取：[http://www.itcast.cn/channel/teacher.shtml][http_www.itcast.cn_channel_teacher.shtml] 网站里的所有讲师的姓名、职称和个人信息。

1.  打开mySpider目录下的items.py
2.  Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。
3.  可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。
4.  接下来，创建一个ItcastItem 类，和构建item模型（model）。

import scrapy
    
    class ItcastItem(scrapy.Item):
        name = scrapy.Field()
        level = scrapy.Field()
        info = scrapy.Field()

## 三、制作爬虫 （spiders/itcastSpider.py） ##

**爬虫功能要分两步：**

### 1. 爬数据 ###

*  在当前目录下输入命令，将在`mySpider/spider`目录下创建一个名为`itcast`的爬虫，并指定爬取域的范围：

scrapy genspider itcast "itcast.cn"

*  打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:

import scrapy
    
    class ItcastSpider(scrapy.Spider):
        name = "itcast"
        allowed_domains = ["itcast.cn"]
        start_urls = (
            'http://www.itcast.cn/',
        )
    
        def parse(self, response):
            pass

###### 其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦 ######

要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

*  `name = ""` ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
 *  `allow_domains = []` 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。
 *  `start_urls = ()` ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
 *  `parse(self, response)` ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
    
    1.  负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
    2.  生成需要下一页的URL请求。

##### 将start\_urls的值修改为需要爬取的第一个url #####

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

##### 修改parse()方法 #####

def parse(self, response):
        filename = "teacher.html"
        open(filename, 'w').write(response.body)

然后运行一下看看，在mySpider目录下执行：

scrapy crawl itcast

是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用 `scrapy genspider`命令的唯一爬虫名。

运行之后，如果打印的日志出现 `[scrapy] INFO: Spider closed (finished)`，代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。

# 注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码；
    # 我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：
    
        import sys
        reload(sys)
        sys.setdefaultencoding("utf-8")
    
    # 这三行代码是Python2.x里解决中文编码的万能钥匙，经过这么多年的吐槽后Python3学乖了，默认编码是Unicode了...(祝大家早日拥抱Python3)

--------------------

### 2. 取数据 ###

*  爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

![20180303093435738][]

<div class="li_txt">
        <h3>  xxx  </h3>
        <h4> xxxxx </h4>
        <p> xxxxxxxx </p>

#### 是不是一目了然？直接上XPath开始提取数据吧。 ####

*  我们之前在mySpider/items.py 里定义了一个ItcastItem类。 这里引入进来

from mySpider.items import ItcastItem

*  然后将我们得到的数据封装到一个 `ItcastItem` 对象中，可以保存每个老师的属性：

from mySpider.items import ItcastItem
    
    def parse(self, response):
        #open("teacher.html","wb").write(response.body).close()
    
        # 存放老师信息的集合
        items = []
    
        for each in response.xpath("//div[@class='li_txt']"):
            # 将我们得到的数据封装到一个 `ItcastItem` 对象
            item = ItcastItem()
            #extract()方法返回的都是unicode字符串
            name = each.xpath("h3/text()").extract()
            title = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()
    
            #xpath返回的是包含一个元素的列表
            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]
    
            items.append(item)
    
        # 直接返回最后数据
        return items

*  我们暂时先不处理管道，后面会详细介绍。

## 保存数据 ##

##### scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下： #####

# json格式，默认为Unicode编码
    scrapy crawl itcast -o teachers.json
    
    # json lines格式，默认为Unicode编码
    scrapy crawl itcast -o teachers.jsonl
    
    # csv 逗号表达式，可用Excel打开
    scrapy crawl itcast -o teachers.csv
    
    # xml格式
    scrapy crawl itcast -o teachers.xml

--------------------

## 思考 ##

#### 如果将代码改成下面形式，结果完全一样。 ####

#### 请思考 yield 在这里的作用： ####

from mySpider.items import ItcastItem
    
    def parse(self, response):
        #open("teacher.html","wb").write(response.body).close()
    
        # 存放老师信息的集合
        #items = []
    
        for each in response.xpath("//div[@class='li_txt']"):
            # 将我们得到的数据封装到一个 `ItcastItem` 对象
            item = ItcastItem()
            #extract()方法返回的都是unicode字符串
            name = each.xpath("h3/text()").extract()
            title = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()
    
            #xpath返回的是包含一个元素的列表
            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]
    
            #items.append(item)
    
            #将获取的数据交给pipelines
            yield item
    
        # 返回数据，不经过pipeline
        #return items

[20180303093353656]: /images/20220530/e6ad05c15fa1437aa3e9e4eff5369357.png
[http_www.itcast.cn_channel_teacher.shtml]: http://www.itcast.cn/channel/teacher.shtml
[20180303093435738]: /images/20220530/8843263b75b5432eb00bb0b49bdf14e5.png