scrapy研究探索1

迈不过友情╰ 2022-08-07 05:33 196阅读 0赞

## 以下转载自：[http://blog.csdn.net/u012150179/article/details/32911511][http_blog.csdn.net_u012150179_article_details_32911511] ##

写在前面：

1、修改了原链接在 拼写上的一些错误（包括大小写），

2、个人实践时注意缩进，不要 tab 和 空格并用，会引发错误。

## （1） 创建项目。 ##

输入：

**\[python\]**  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  scapy startproject w3school

以上创建项目w3school。这时会产生w3school文件夹，文件夹下文件如下：

**\[plain\]**  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  scrapy.cfg  
2.  w3school/  
3.      \_\_init\_\_.py  
4.      items.py  
5.      pipelines.py  
6.      settings.py  
7.      spiders/  
8.          \_\_init\_\_.py

其中scrapy.cfg目的配置文件。主要改写的是w3school中的三个文件以及其中spiders中需要编写的爬虫。

一个一个来。

## （2） 在items.py中定义Item容器。也就是编写items.py内容。 ##

所谓Item容器就是将在网页中获取的数据结构化保存的数据结构，类似于python中字典。下面为items.py中代码。

**\[python\]**  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \#project: w3school  
2.  \#file   : items.py  
3.  \#author : younghz  
4.  \#brief  : define W3schoolItem.  
5.    
6.  **from** scrapy.item **import** Item,Field  
7.    
8.  **class** W3schoolItem(Item):  
9.      title = Field()  
10.     link = Field()  
11.     desc = Field()

上面定义了自己的W3schoolItem类，它继承自scrapy的Item（这里没有显示定义W3schoolItem的\_\_init\_\_()方法，也正因为如此，python也会为你自动调用基类的\_\_init\_\_()，否则必须显式在子类的\_\_init\_\_()中调用基类\_\_init\_\_()）。

之后声明W3schoolItem中元素并使用Field定义。到此items.py就OK了。

## （3） 在pipelines.py中编写W3schoolPipeline实现对item的处理。 ##

在其中主要完成数据的查重、丢弃，验证item中数据，将得到的item数据保存等工作。代码如下：

**\[python\]**  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  **import** json  
2.  **import** codecs  
3.    
4.    
5.  **class** W3schoolPipeline(object):  
6.      **def** \_\_init\_\_(self):  
7.          self.file = codecs.open('w3school\_data\_utf8.json', 'wb', encoding='utf-8')  
8.    
9.      **def** process\_item(self, item, spider):  
10.         line = json.dumps(dict(item)) + '\\n'  
11.         \# print line  
12.         self.file.write(line.decode("unicode\_escape"))  
13.         **return** item

其中的process\_item方法是必须调用的用来处理item，并且返回值必须为Item类的对象，或者是抛出DropItem异常。并且上述方法将得到的item实现解码，以便正常显示中文，最终保存到json文件中。

注意：在编写完pipeline后，为了能够启动它，必须将其加入到ITEM\_PIPLINES配置中，即在settings.py中加入下面一句：

**\[python\]**  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  ITEM\_PIPELINES = \{  
2.      'w3school.pipelines.W3schoolPipeline':300  
3.  \}

#     #

# 2.编写爬虫。 #

爬虫编写是在spider/文件夹下编写w3school\_spider.py。

先上整个程序在慢慢解释：

**\[python\]**  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \#!/usr/bin/python  
2.  \# -\*- coding:utf-8 -\*-  
3.    
4.  **from** scrapy.spider **import** Spider  
5.  **from** scrapy.selector **import** Selector  
6.  **from** scrapy **import** log  
7.    
8.  **from** w3school.items **import** W3schoolItem  
9.    
10.   
11. **class** W3schoolSpider(Spider):  
12.     """爬取w3school标签"""  
13.     \#log.start("log",loglevel='INFO')  
14.     name = "w3school"  
15.     allowed\_domains = \["w3school.com.cn"\]  
16.     start\_urls = \[  
17.         "http://www.w3school.com.cn/xml/xml\_syntax.asp"  
18.     \]  
19.   
20.     **def** parse(self, response):  
21.   
22.         sel = Selector(response)  
23.         sites = sel.xpath('//div\[@id="navsecond"\]/div\[@id="course"\]/ul\[1\]/li')  
24.         items = \[\]  
25.   
26.         **for** site **in** sites:  
27.             item = W3schoolItem()  
28.   
29.             title = site.xpath('a/text()').extract()  
30.             link = site.xpath('a/@href').extract()  
31.             desc = site.xpath('a/@title').extract()  
32.   
33.             item\['title'\] = \[t.encode('utf-8') **for** t **in** title\]  
34.             item\['link'\] = \[l.encode('utf-8') **for** l **in** link\]  
35.             item\['desc'\] = \[d.encode('utf-8') **for** d **in** desc\]  
36.             items.append(item)  
37.   
38.             \#记录  
39.             log.msg("Appending item...",level='INFO')  
40.   
41.   
42.         log.msg("Append done.",level='INFO')  
43.         **return** items

## （1）需要注意的是编写的spider必须继承自scrapy的Spider类。 ##

属性name即spider唯一名字，start\_url可以理解为爬取入口。

## （2）parse方法。 ##

parse（）是对scrapy.Spider类的override。

## （3）网页中的数据提取机制。 ##

scrapy使用选择器Selector并通过XPath实现数据的提取。关于XPath 推荐w3school的教程。

### 小工具： ###

关于网页代码中意向信息的查找可以借助几个工具：

第一个——Firefox插件Firebug。

第二个——Firefox插件XPath。可以快速的在网页中对xpath表达式的正确性进行验证。

第三个——scrapy shell.关于其使用可以查看教程。

### 分析： ###

在这里我提取的是http://www.w3school.com.cn/xml/xml\_syntax.asp网页中下图部分。

> > > > > > > [![clip\_image002][clip_image002]][clip_image002_clip_image002]

即“XML 基础”下所有目录结构的名字、链接和描述。使用Firebug找到次部分对应的代码块后就可以使用XPath执行信息提取。Xpath表达式如上面代码中所示。

上面还涉及到了对item中信息的编码，是为了中文信息在json文件中的正确显示。

## （4）在parse方法中还使用到了log功能实现信息记录。使用log.mes()函数即可。 ##

# 3.执行。 #

一切就绪。进入到项目目录下，执行：

**\[python\]**  [view plain][] [copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  scrapy crawl w3school --set LOG\_FILE=log

在目录下生成log和w3school\_data\_utf8.json文件。

查看生成的json文件：

![20140621100330750][]

OK。这就实现了针对 [http://www.w3school.com.cn/xml/xml\_syntax.asp][http_www.w3school.com.cn_xml_xml_syntax.asp]中导航条部分的提取。

原创，转载注明：[http://blog.csdn.net/u012150179/article/details/32911511][http_blog.csdn.net_u012150179_article_details_32911511]

关于scrapy的其它文章：

[http://blog.csdn.net/u012150179/article/details/34913315][http_blog.csdn.net_u012150179_article_details_34913315]

[http://blog.csdn.net/u012150179/article/details/34486677][http_blog.csdn.net_u012150179_article_details_34486677]

[http://blog.csdn.net/u012150179/article/details/34441655  
][http_blog.csdn.net_u012150179_article_details_34441655]

[http://blog.csdn.net/u012150179/article/details/32911511][http_blog.csdn.net_u012150179_article_details_32911511]

[http://blog.csdn.net/u012150179/article/details/35774323][http_blog.csdn.net_u012150179_article_details_35774323]

[http_blog.csdn.net_u012150179_article_details_32911511]: http://blog.csdn.net/u012150179/article/details/32911511
[view plain]: http://blog.csdn.net/u012150179/article/details/32911511#
[CODE]: https://code.csdn.net/assets/CODE_ico.png
[CODE_CODE]: https://code.csdn.net/snippets/400870
[ico_fork.svg]: https://code.csdn.net/assets/ico_fork.svg
[ico_fork.svg 1]: https://code.csdn.net/snippets/400870/fork
[clip_image002]: https://img-blog.csdn.net/20140621095011140
[clip_image002_clip_image002]: /images/20220805/4e67dde4d98544a1984192f40f1de6dd.png
[20140621100330750]: /images/20220805/98c3e48211814d87a2f817a733db2ee0.png
[http_www.w3school.com.cn_xml_xml_syntax.asp]: http://www.w3school.com.cn/xml/xml_syntax.asp%E4%B8%AD%E5%AF%BC%E8%88%AA%E6%9D%A1%E9%83%A8%E5%88%86%E7%9A%84%E6%8F%90%E5%8F%96
[http_blog.csdn.net_u012150179_article_details_34913315]: http://blog.csdn.net/u012150179/article/details/34913315
[http_blog.csdn.net_u012150179_article_details_34486677]: http://blog.csdn.net/u012150179/article/details/34486677
[http_blog.csdn.net_u012150179_article_details_34441655]: http://blog.csdn.net/u012150179/article/details/34441655
[http_blog.csdn.net_u012150179_article_details_35774323]: http://blog.csdn.net/u012150179/article/details/35774323