雖然以前寫過 如何抓取WEB頁面 和 如何從 WEB 頁面中提取資訊。但是感覺還是需要一篇 step by step 的教程，不然沒有一個總體的認識。不過，沒想到這個教程居然會變成一篇譯文，在這個爬蟲教程系列文章中，會以實際的例子，由淺入深討論爬取（抓取和解析）的一些關鍵問題。
在 教程一 中，我們將要爬取的網站是豆瓣電影：http://movie.douban.com/
你可以在: http://demo.pyspider.org/debug/tutorial_douban_movie 獲得完整的程式碼，和進行測試。
開始之前
由於教程是基於 pyspider 的，你可以安裝一個 pyspider（Quickstart，也可以直接使用 pyspider 的 demo 環境： http://demo.pyspider.org/。
你還應該至少對全球資訊網是什麼有一個簡單的認識：
所以，爬網頁實際上就是：
- 找到包含我們需要的資訊的網址（URL）列表
- 通過 HTTP 協議把頁面下載回來
- 從頁面的 HTML 中解析出需要的資訊
- 找到更多這個的 URL，回到 2 繼續
選取一個開始網址
既然我們要爬所有的電影，首先我們需要抓一個電影列表，一個好的列表應該：
- 包含足夠多的電影的 URL
- 通過翻頁，可以遍歷到所有的電影
- 一個按照更新時間排序的列表，可以更快抓到最新更新的電影
我們在 http://movie.douban.com/ 掃了一遍，發現並沒有一個列表能包含所有電影，只能退而求其次，通過抓取分類下的所有的標籤列表頁，來遍歷所有的電影： http://movie.douban.com/tag/
建立一個專案
在 pyspider 的 dashboard 的右下角，點選 “Create” 按鈕
替換 on_start 函式的 self.crawl 的 URL：
|
1 2 3 4 |
@every(minutes=24 * 60) def on_start(self): self.crawl('http://movie.douban.com/tag/', callback=self.index_page) |
self.crawl告訴 pyspider 抓取指定頁面，然後使用callback函式對結果進行解析。@every修飾器，表示on_start每天會執行一次，這樣就能抓到最新的電影了。
點選綠色的 run 執行，你會看到 follows 上面有一個紅色的 1，切換到 follows 皮膚，點選綠色的播放按鈕：
Tag 列表頁
在 tag 列表頁 中，我們需要提取出所有的 電影列表頁 的 URL。你可能已經發現了，sample handler 已經提取了非常多大的 URL，所有，一種可行的提取列表頁 URL 的方法就是用正則從中過濾出來：
|
1 2 3 4 5 6 7 8 |
import re ... @config(age=10 * 24 * 60 * 60) def index_page(self, response): for each in response.doc('a[href^="http"]').items(): if re.match("http://movie.douban.com/tag/\w+", each.attr.href, re.U): self.crawl(each.attr.href, callback=self.list_page) |
- 由於 電影列表頁和 tag列表頁長的並不一樣，在這裡新建了一個
callback為self.list_page@config(age=10 * 24 * 60 * 60)在這表示我們認為 10 天內頁面有效，不會再次進行更新抓取
由於 pyspider 是純 Python 環境，你可以使用 Python 強大的內建庫，或者你熟悉的第三方庫對頁面進行解析。不過更推薦使用 CSS選擇器。
電影列表頁
再次點選 run 讓我們進入一個電影列表頁(list_page)。在這個頁面中我們需要提取：
- 電影的連結，例如，http://movie.douban.com/subject/1292052/
- 下一頁的連結，用來翻頁
CSS選擇器
CSS選擇器，顧名思義，是 CSS 用來定位需要設定樣式的元素 所使用的表示式。既然前端程式設計師都使用 CSS選擇器 為頁面上的不同元素設定樣式，我們也可以通過它定位需要的元素。你可以在 CSS 選擇器參考手冊 這裡學習更多的 CSS選擇器 語法。
在 pyspider 中，內建了 response.doc 的 PyQuery 物件，讓你可以使用類似 jQuery 的語法操作 DOM 元素。你可以在 PyQuery 的頁面上找到完整的文件。
CSS Selector Helper
在 pyspider 中，還內建了一個 CSS Selector Helper，當你點選頁面上的元素的時候，可以幫你生成它的 CSS選擇器 表示式。你可以點選 Enable CSS selector helper 按鈕，然後切換到 web 頁面：
開啟後，滑鼠放在元素上，會被黃色高亮，點選後，所有擁有相同 CSS選擇器 表示式的元素會被高亮。表示式會被插入到 python 程式碼當前游標位置。建立下面的程式碼，將游標停留在單引號中間：
|
1 2 3 |
def list_page(self, response): for each in response.doc('').items(): |
點選一個電影的連結，CSS選擇器 表示式將會插入到你的程式碼中，如此重複，插入翻頁的連結：
|
1 2 3 4 5 6 |
def list_page(self, response): for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV>TABLE TR.item>TD>DIV.pl2>A').items(): self.crawl(each.attr.href, callback=self.detail_page) # 翻頁 for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.paginator>A').items(): self.crawl(each.attr.href, callback=self.list_page) |
- 翻頁是一個到自己的
callback回撥
電影詳情頁
再次點選 run，follow 到詳情頁。使用 css selector helper 分別新增電影標題，打分和導演：
|
1 2 3 4 5 6 7 |
def detail_page(self, response): return { "url": response.url, "title": response.doc('HTML>BODY>DIV#wrapper>DIV#content>H1>SPAN').text(), "rating": response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.indent.clearfix>DIV.subjectwrap.clearfix>DIV#interest_sectl>DIV.rating_wrap.clearbox>P.rating_self.clearfix>STRONG.ll.rating_num').text(), "導演": [x.text() for x in response.doc('a[rel="v:directedBy"]').items()], } |
注意，你會發現 css selector helper 並不是總是能提取到合適的 CSS選擇器 表示式。你可以在 Chrome Dev Tools 的幫助下，寫一個合適的表示式：
右鍵點選需要提取的元素，點選審查元素。你並不需要像自動生成的表示式那樣寫出所有的祖先節點，只要寫出那些能區分你不需要的元素的關鍵節點的屬性就可以了。不過這需要抓取和網頁前端的經驗。所以，學習抓取的最好方法就是學會這個頁面/網站是怎麼寫的。
你也可以在 Chrome Dev Tools 的 Javascript Console 中，使用 $$(a[rel="v:directedBy"]) 測試 CSS Selector。
開始抓取
- 使用
run單步除錯你的程式碼，對於用一個callback最好使用多個頁面型別進行測試。然後儲存。 - 回到 Dashboard，找到你的專案
- 將
status修改為DEBUG或RUNNING - 按
run按鈕
