python爬蟲學習筆記 4.2 （Scrapy入門案例（建立專案））

入門案例

學習目標

• 建立一個Scrapy專案
• 定義提取的結構化資料(Item)
• 編寫爬取網站的 Spider 並提取出結構化資料(Item)
• 編寫 Item Pipelines 來儲存提取到的Item(即結構化資料)

一. 新建專案(scrapy startproject)

• 在開始爬取之前，必須建立一個新的Scrapy專案。進入自定義的專案目錄中，執行下列命令：

scrapy startproject mySpider

• 其中， mySpider 為專案名稱，可以看到將會建立一個 mySpider 資料夾，目錄結構大致如下：

下面來簡單介紹一下各個主要檔案的作用：
scrapy.cfg ：專案的配置檔案

mySpider/ ：專案的Python模組，將會從這裡引用程式碼

mySpider/items.py ：專案的目標檔案

mySpider/pipelines.py ：專案的管道檔案

mySpider/settings.py ：專案的設定檔案

mySpider/spiders/ ：儲存爬蟲程式碼目錄

二、明確目標(mySpider/items.py)

我們打算抓取：http://www.itcast.cn/channel/teacher.shtml 網站裡的所有講師的姓名、職稱和個人資訊。

• 開啟mySpider目錄下的items.py

• Item 定義結構化資料欄位，用來儲存爬取到的資料，有點像Python中的dict，但是提供了一些額外的保護減少錯誤。

• 可以通過建立一個 scrapy.Item 類， 並且定義型別為 scrapy.Field的類屬性來定義一個Item。

• 接下來，建立一個ItcastItem 類，和構建item模型（model）。

import scrapy

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

pycharm中建立scrapy

在pycharm中的Terminal鍵入命令列

scrapy startproject mySpider

cd test_scrapy

scrapy genspider itcast itcast.cn

啟動爬蟲

scrapy crawl itcast

三、製作爬蟲 （spiders/itcastSpider.py）

爬蟲功能要分兩步：

1. 爬資料

• 在當前目錄下輸入命令，將在mySpider/spider目錄下建立一個名為itcast的爬蟲，並指定爬取域的範圍：

scrapy genspider itcast "itcast.cn"

• 開啟 mySpider/spider目錄裡的 itcast.py，預設增加了下列程式碼:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

其實也可以由我們自行建立itcast.py並編寫上面的程式碼，只不過使用命令可以免去編寫固定程式碼的麻煩
要建立一個Spider， 你必須用scrapy.Spider類建立一個子類，並確定了三個強制的屬性 和 一個方法。

• name = “” ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

• allow_domains = [] 是搜尋的域名範圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬蟲從這裡開始抓取資料，所以，第一次下載的資料將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

• parse(self, response) ：解析的方法，每個初始URL完成下載後將被呼叫，呼叫的時候傳入從每一個URL傳回的Response物件來作為唯一引數，主要作用如下：

    1.負責解析返回的網頁資料(response.body)，提取結構化資料(生成item)
    2.生成需要下一頁的URL請求。
  

將start_urls的值修改為需要爬取的第一個url

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

修改parse()方法

def parse(self, response):
    with open("teacher.html", "w") as f:
        f.write(response.text)

然後執行一下看看，在mySpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面程式碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的爬蟲名。

一個Scrapy爬蟲專案裡，可以存在多個爬蟲。各個爬蟲在執行時，就是按照 name 屬性來區分。

執行之後，如果列印的日誌出現 [scrapy] INFO: Spider closed (finished)，代表執行完成。 之後當前資料夾中就出現了一個 teacher.html 檔案，裡面就是我們剛剛要爬取的網頁的全部原始碼資訊。

2. 取資料

• 爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面原始碼：
  

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

是不是一目瞭然？直接上XPath開始提取資料吧。

• 我們之前在mySpider/items.py 裡定義了一個ItcastItem類。 這裡引入進來

from mySpider.items import ItcastItem

• 然後將我們得到的資料封裝到一個 ItcastItem 物件中，可以儲存每個老師的屬性：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()
    # 存放老師資訊的集合
    items = []

    for each in response.xpath("//div[@class='li_txt']"):
        # 將我們得到的資料封裝到一個 `ItcastItem` 物件
        item = ItcastItem()
        #extract()方法返回的都是字串
        name = each.xpath("h3/text()").extract()
        title = each.xpath("h4/text()").extract()
        info = each.xpath("p/text()").extract()

        #xpath返回的是包含一個元素的列表
        item['name'] = name[0]
        item['title'] = title[0]
        item['info'] = info[0]

        items.append(item)

    # 直接返回最後資料
    return items

• 我們暫時先不處理管道，後面會詳細介紹。

儲存資料

scrapy儲存資訊的最簡單的方法主要有四種，-o 輸出指定格式的檔案，，命令如下：

# json格式，預設為Unicode編碼
scrapy crawl itcast -o teachers.json

# json lines格式，預設為Unicode編碼
scrapy crawl itcast -o teachers.jsonl

# csv 逗號表示式，可用Excel開啟
scrapy crawl itcast -o teachers.csv

# xml格式
scrapy crawl itcast -o teachers.xml

思考

如果將程式碼改成下面形式，結果完全一樣。

請思考 yield 在這裡的作用：

from mySpider.items import ItcastItem

def parse(self, response):
    #open("teacher.html","wb").write(response.body).close()
    # 存放老師資訊的集合
    #items = []
    for each in response.xpath("//div[@class='li_txt']"):
        # 將我們得到的資料封裝到一個 `ItcastItem` 物件
        item = ItcastItem()
        #extract()方法返回的都是字串
        name = each.xpath("h3/text()").extract_first()
        title = each.xpath("h4/text()").extract_first()
        info = each.xpath("p/text()").extract_first()
        #items.append(item)
        #將獲取的資料交給pipelines
        yield item

    # 返回資料，不經過pipeline
    #return items