Scrapy入门教程

接下来以 为例来讲述爬取。

本篇教程中将带您完成下列任务:

  • 创建一个Scrapy项目
  • 定义提取的Item
  • 编写爬取网站的 spider 并提取
  • 编写 Item Pipeline 来存储提取到的Item(即数据) Scrapy由 编写。如果您刚接触并且好奇这门语言的特性以及Scrapy的详情，对于已经熟悉其他语言并且想快速学习Python的编程老手，我们推荐 Learn Python The Hard Way ，对于想从Python开始学习的编程新手， 将是您的选择。

在开始爬取之前，您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令:

该命令将会创建包含下列内容的 目录:

  1. tutorial/
  2.     scrapy.cfg
  3.  
  4.     tutorial/
  5.         __init__.py
  6.  
  7.         items.py
  8.  
  9.         pipelines.py
  10.  
  11.         settings.py
  12.  
  13.         spiders/
  14.             __init__.py
  15.             ...

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。虽然您也可以在Scrapy中直接使用dict，但是 Item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。They can also be used with , a mechanism with helpers to conveniently populate Items.

类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类，并且定义类型为 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:

  1. import scrapy
  2.  
  3. class DmozItem(scrapy.Item):
  4.     title = scrapy.Field()
  5.     link = scrapy.Field()
  6.     desc = scrapy.Field()

一开始这看起来可能有点复杂，但是通过定义item，您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。

Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。

其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容，提取生成 item 的方法。

为了创建一个Spider，您必须继承 类，且定义一些属性:

  • 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。
  • : 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() 是spider的一个方法。被调用时，每个初始URL完成下载后生成的 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:
  1. import scrapy
  2.  
  3. class DmozSpider(scrapy.Spider):
  4.     name = "dmoz"
  5.     allowed_domains = ["dmoz.org"]
  6.     start_urls = [
  7.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
  9.     ]
  10.  
  11.     def parse(self, response):
  12.         filename = response.url.split("/")[-2] + '.html'
  13.             f.write(response.body)

进入项目的根目录，执行下列命令启动spider:

  1. scrapy crawl dmoz

该命令启动了我们刚刚添加的 dmoz spider, 向 dmoz.org 发送一些请求。您将会得到类似的输出:

  1. 2014-01-23 18:13:07-0400 [scrapy] INFO: Scrapy started (bot: tutorial)
  2. 2014-01-23 18:13:07-0400 [scrapy] INFO: Optional features available: ...
  3. 2014-01-23 18:13:07-0400 [scrapy] INFO: Overridden settings: {}
  4. 2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled extensions: ...
  5. 2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled downloader middlewares: ...
  6. 2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled spider middlewares: ...
  7. 2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled item pipelines: ...
  8. 2014-01-23 18:13:07-0400 [scrapy] INFO: Spider opened
  9. 2014-01-23 18:13:08-0400 [scrapy] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/> (referer: None)
  10. 2014-01-23 18:13:09-0400 [scrapy] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/> (referer: None)
  11. 2014-01-23 18:13:09-0400 [scrapy] INFO: Closing spider (finished)

注解

最后你可以看到有一行log包含定义在 start_urls 的初始URL，并且与spider中是一一对应的。在log中可以看到其没有指向其他页面( (referer:None) )。

现在，查看当前目录，您将会注意到有两个包含url所对应的内容的文件被创建了: Book , Resources,正如我们的 parse 方法里做的一样。

刚才发生了什么？

Scrapy为Spider的 start_urls 属性中的每个URL创建了 scrapy.Request 对象，并将 parse 方法作为回调函数(callback)赋值给了Request。

Request对象经过调度，执行生成 对象并送回给spider parse() 方法。

Selectors选择器简介

从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 表达式机制:Scrapy Selectors 。关于selector和其他提取机制的信息请参考 。

这里给出XPath表达式的例子及对应的含义:

  • /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 上边仅仅是几个简单的XPath例子，XPath实际上要比这远远强大的多。如果您想了解的更多，我们推荐 , 以及 这篇教程学习”how to think in XPath”.

注解

为了配合CSS与XPath，Scrapy除了提供了 之外，还提供了方法来避免每次从response中提取数据时生成selector的麻烦。

Selector有四个基本的方法(点击相应的方法可以看到详细的API文档):

  • xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表 。
  • : 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。
  • : 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。

在Shell中尝试Selector选择器

为了介绍Selector的使用方法，接下来我们将要使用内置的 。Scrapy Shell需要您预装好 IPython (一个扩展的Python终端)。

您需要进入项目的根目录，执行下列命令来启动shell:

  1. scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

注解

当您在终端运行Scrapy时，请一定记得给url地址加上引号，否则包含参数的url(例如 & 字符)会导致Scrapy运行失败。

shell的输出类似:

当shell载入后，您将得到一个包含response数据的本地 response 变量。输入 response.body 将输出response的包体， 输出 response.headers 可以看到response的包头。

TODO..

更为重要的是, 拥有一个 selector 属性,该属性是以该特定 response 初始化的类 Selector 的对象。您可以通过使用 response.selector.xpath() 或 response.selector.css()来对 response 进行查询。 此外，scrapy也对 response.selector.xpath()及 response.selector.css() 提供了一些快捷方式, 例如response.xpath() 或 response.css() ，

同时，shell根据response提前初始化了变量 sel 。该selector根据response的类型自动选择最合适的分析规则(XML vs HTML)。

让我们来试试:

  1. In [1]: response.xpath('//title')
  2. Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]
  3.  
  4. In [2]: response.xpath('//title').extract()
  5. Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']
  6.  
  7. In [3]: response.xpath('//title/text()')
  8. Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]
  9.  
  10. In [4]: response.xpath('//title/text()').extract()
  11. Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']
  12.  
  13. In [5]: response.xpath('//title/text()').re('(\w+):')
  14. Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']

提取数据

现在，我们来尝试从这些页面中提取些有用的数据。

您可以在终端中输入 response.body 来观察HTML源码并确定合适的XPath表达式。不过，这任务非常无聊且不易。您可以考虑使用Firefox的Firebug扩展来使得工作更为轻松。详情请参考 使用Firebug进行爬取 和 。

在查看了网页的源码后，您会发现网站的信息是被包含在 第二个 <ul> 元素中。

我们可以通过这段代码选择该页面中网站列表里所有 <li> 元素:

  1. response.xpath('//ul/li')

网站的描述:

  1. response.xpath('//ul/li/text()').extract()

网站的标题:

  1. response.xpath('//ul/li/a/text()').extract()

以及网站的链接:

  1. response.xpath('//ul/li/a/@href').extract()

之前提到过，每个 .xpath() 调用返回selector组成的list，因此我们可以拼接更多的 .xpath() 来进一步获取某个节点。我们将在下边使用这样的特性:

  1. for sel in response.xpath('//ul/li'):
  2.     title = sel.xpath('a/text()').extract()
  3.     link = sel.xpath('a/@href').extract()
  4.     desc = sel.xpath('text()').extract()
  5.     print title, link, desc

注解

关于嵌套selctor的更多详细信息，请参考 嵌套选择器(selectors) 以及 文档中的 使用相对XPaths 部分。

现在尝试再次爬取dmoz.org，您将看到爬取到的网站信息被成功输出:

  1. scrapy crawl dmoz

对象是自定义的python字典。您可以使用标准的字典语法来获取到其每个字段的值。(字段即是我们之前用Field赋值的属性):

  1. >>> item = DmozItem()
  2. >>> item['title'] = 'Example title'
  3. >>> item['title']
  4. 'Example title'

为了将爬取的数据返回，我们最终的代码将是:

  1. import scrapy
  2.  
  3. from tutorial.items import DmozItem
  4.  
  5. class DmozSpider(scrapy.Spider):
  6.     allowed_domains = ["dmoz.org"]
  7.     start_urls = [
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
  9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
  10.     ]
  11.  
  12.     def parse(self, response):
  13.         for sel in response.xpath('//ul/li'):
  14.             item = DmozItem()
  15.             item['title'] = sel.xpath('a/text()').extract()
  16.             item['link'] = sel.xpath('a/@href').extract()
  17.             item['desc'] = sel.xpath('text()').extract()
  18.             yield item

注解

您可以在 dirbot 项目中找到一个具有完整功能的spider。该项目可以通过 找到。

现在对dmoz.org进行爬取将会产生 DmozItem 对象:

  1. [scrapy] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
  2.      {'desc': [u' - By David Mertz; Addison Wesley. Book in progress, full text, ASCII format. Asks for feedback. [author website, Gnosis Software, Inc.\n],
  3.       'link': [u'http://gnosis.cx/TPiP/'],
  4.       'title': [u'Text Processing in Python']}
  5. [scrapy] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
  6.      {'desc': [u' - By Sean McGrath; Prentice Hall PTR, 2000, ISBN 0130211192, has CD-ROM. Methods to build XML applications fast, Python tutorial, DOM and SAX, new Pyxie open source XML processing library. [Prentice Hall PTR]\n'],
  7.       'link': [u'http://www.informit.com/store/product.aspx?isbn=0130211192'],
  8.       'title': [u'XML Processing with Python']}

追踪链接(Following links)

接下来, 不仅仅满足于爬取 Books 及 Resources 页面，您想要获取获取所有 的内容。

既然已经能从页面上爬取数据了,为什么不提取您感兴趣的页面的链接,追踪他们,读取这些链接的数据呢?

下面是实现这个功能的改进版spider:

  1. import scrapy
  2.  
  3. from tutorial.items import DmozItem
  4.  
  5. class DmozSpider(scrapy.Spider):
  6.     name = "dmoz"
  7.     allowed_domains = ["dmoz.org"]
  8.     start_urls = [
  9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/",
  10.     ]
  11.  
  12.     def parse(self, response):
  13.         for href in response.css("ul.directory.dir-col > li > a::attr('href')"):
  14.             url = response.urljoin(response.url, href.extract())
  15.             yield scrapy.Request(url, callback=self.parse_dir_contents)
  16.  
  17.     def parse_dir_contents(self, response):
  18.         for sel in response.xpath('//ul/li'):
  19.             item = DmozItem()
  20.             item['title'] = sel.xpath('a/text()').extract()
  21.             item['link'] = sel.xpath('a/@href').extract()
  22.             item['desc'] = sel.xpath('text()').extract()
  23.             yield item

现在， parse() 仅仅从页面中提取我们感兴趣的链接，使用response.urljoin 方法构造一个绝对路径的URL(页面上的链接都是相对路径的)，产生(yield)一个请求， 该请求使用 parse_dir_contents() 方法作为回调函数,用于最终产生我们想要的数据.。

这里展现的即是Scrpay的追踪链接的机制: 当您在回调函数中yield一个Request后,Scrpay将会调度,发送该请求,并且在该请求完成时,调用所注册的回调函数。

基于此方法,您可以根据您所定义的跟进链接的规则,创建复杂的crawler,并且,根据所访问的页面,提取不同的数据.

一种常见的方法是,回调函数负责提取一些item,查找能跟进的页面的链接,并且使用相同的回调函数yield一个 Request:

  1. def parse_articles_follow_next_page(self, response):
  2.     for article in response.xpath("//article"):
  3.         item = ArticleItem()
  4.  
  5.         ... extract article data here
  6.  
  7.         yield item
  8.  
  9.     next_page = response.css("ul.navigation > li.next-page > a::attr('href')")
  10.     if next_page:
  11.         url = response.urljoin(next_page[0].extract())

上述代码将创建一个循环,跟进所有下一页的链接,直到找不到为止 –对于爬取博客、论坛以及其他做了分页的网站十分有效。

另一种常见的需求是从多个页面构建item的数据, 这可以使用在回调函数中传递信息的技巧.

注解

上述代码仅仅作为阐述scrapy机制的样例spider, 想了解如何实现一个拥有小型的规则引擎(rule engine)的通用spider来构建您的crawler,请查看

最简单存储爬取的数据的方式是使用 Feed exports:

该命令将采用 格式对爬取的数据进行序列化，生成 items.json 文件。

在类似本篇教程里这样小规模的项目中，这种存储方式已经足够。如果需要对爬取到的item做更多更为复杂的操作，您可以编写Item Pipeline 。类似于我们在创建项目时对Item做的，用于您编写自己的 也被创建。不过如果您仅仅想要保存item，您不需要实现任何的pipeline。

下一步

本篇教程仅介绍了Scrapy的基础，还有很多特性没有涉及。请查看 初窥Scrapy 章节中的 部分,大致浏览大部分重要的特性。