scrapy 学习笔记1

最近一段时间开始研究爬虫,后续陆续更新学习笔记

爬虫,说白了就是获取一个网页的html页面,然后从里面获取你想要的东西,复杂一点的还有:

• 反爬技术(人家网页不让你爬,爬虫对服务器负载很大)
• 爬虫框架(你不可能逮到一个需求就从头写个爬虫把,框架已经有了)
• 多线程

当然这是我自己的理解,而scrapy框架算是比较流行的python爬虫框架,开始搞把

目前的套路就是学到能爬你想爬的any网站,然后获取你想要的any数据,至于反爬什么的,网络限制什么的,再看吧,把基础的弄好.

用的是1.4版本,默认已经安装好了.

中文版教程(1.0)

英文版教程(最新)

创建项目:

dahu@dahu-OptiPlex-3046:~/PycharmProjects/myscrapy$ scrapy startproject myfirstpro

后面开可以再跟一个目录名称,如果没有就是同名的,你可以这样:   $ scrapy startproject myfirstpro  mydir

我们可以看出文件结构:

dahu@dahu-OptiPlex-3046:~/PycharmProjects/myscrapy$ tree
.
└── myfirstpro
    ├── myfirstpro
    │   ├── __init__.py
    │   ├── items.py
    │   ├── middlewares.py
    │   ├── pipelines.py
    │   ├── settings.py
    │   └── spiders
    │       └── __init__.py
    └── scrapy.cfg

3 directories, 7 files

第一个爬虫:  

爬虫位置在spiders 里面,目录下的名为 quotes_spider.py 的文件中

#!/usr/bin/python
#coding=utf-8

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"　　#用于识别 Spider。 它在项目中必须是唯一的，也就是说，您不能为不同的 Spider 设置相同的名称。

    def start_requests(self):　　#必须返回一个 Requests 的迭代（您可以返回一个 requests 列表或者写一个生成器函数），Spider 将从这里开始抓取。 随后的请求将从这些初始请求连续生成。没有也行,但是要有start_urls ,这是个列表,放初始的链接
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):　　#用来处理每个请求得到的响应的方法。 响应参数是 TextResponse 的一个实例，它保存页面内容，并且还有其他有用的方法来处理它。方法通常解析响应，将抓取的数据提取为字典，并且还可以查找新的 URL 来跟踪并从中创建新的请求（Request）。
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)　　#直接把服务器的响应全保存了
        self.log('Saved file %s' % filename)　　#出现在日志里的一个方法

运行:

dahu@dahu-OptiPlex-3046:~/PycharmProjects/myscrapy/myfirstpro$ scrapy crawl quotes

可以看到生成的文件:

dahu@dahu-OptiPlex-3046:~/PycharmProjects/myscrapy/myfirstpro$ tree
.
├── myfirstpro
│   ├── __init__.py
│   ├── __init__.pyc
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── settings.py
│   ├── settings.pyc
│   └── spiders
│       ├── __init__.py
│       ├── __init__.pyc
│       ├──  quotes_spider.py
│       └──  quotes_spider.pyc
├── quotes-1.html
├── quotes-2.html
└── scrapy.cfg

2 directories, 14 files

在爬虫中提取数据

到目前为止，它并没有提取任何数据，只将整个 HTML 页面保存到本地文件。这里用到了xpath语法来提取数据

Scrapy 爬虫通常生成许多包含提取到的数据的字典。 为此，我们在回调方法中使用 yield Python 关键字，如下所示：

#!/usr/bin/python
#coding=utf-8
# 
import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.xpath('./span[@class="text"]/text()').extract_first(),
                'author': quote.xpath('.//small[@class="author"]/text()').extract_first(),
                'tag': quote.xpath('.//div[@class="tags"]/a[@class="tag"]/text()').extract(),
            }

运行爬虫,会有日志显示:

2017-08-16 16:26:39 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
2017-08-16 16:26:39 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'text': u'u201cThe world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.u201d', 'tag': [u'change', u'deep-thoughts', u'thinking', u'world'], 'author': u'Albert Einstein'}
2017-08-16 16:26:39 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'text': u'u201cIt is our choices, Harry, that show what we truly are, far more than our abilities.u201d', 'tag': [u'abilities', u'choices'], 'author': u'J.K. Rowling'}

存储抓取的数据

存储抓取数据的最简单的方法是使用 Feed exports，使用以下命令：

scrapy crawl quotes -o quotes.json

这将生成一个 quotes.json 文件，其中包含所有抓取到的 JSON 序列化的数据。

由于历史原因，Scrapy 追加内容到给定的文件，而不是覆盖其内容。 如果您在第二次之前删除该文件两次运行此命令，那么最终会出现一个破坏的 JSON 文件。您还可以使用其他格式，如 JSON 行（JSON Lines）：

scrapy crawl quotes -o quotes.jl

JSON 行格式很有用，因为它像流一样，您可以轻松地将新记录附加到文件。 当运行两次时，它不会发生 JSON 那样的问题。 另外，由于每条记录都是单独的行，所以您在处理大文件时无需将所有内容放到内存中，还有 JQ 等工具可以帮助您在命令行中执行此操作。

在小项目（如本教程中的一个）中，这应该是足够的。 但是，如果要使用已抓取的项目执行更复杂的操作，则可以编写项目管道（Item Pipeline）。 在工程的创建过程中已经为您创建了项目管道的占位符文件pipelines.py， 虽然您只需要存储已抓取的项目，不需要任何项目管道。

输出的文件格式,可以看出,有多种格式可以选择:

dahu@dahu-OptiPlex-3046:~/PycharmProjects/myscrapy/myfirstpro$ scrapy crawl quotes -o -h
Usage
=====
  scrapy crawl [options] <spider>

crawl: error: Unrecognized output format '', set one using the '-t' switch or as a file extension from the supported list ('xml', 'jsonlines', 'jl', 'json', 'csv', 'pickle', 'marshal')

跟踪链接

或许你希望获取网站所有页面的 quotes，而不是从 http://quotes.toscrape.com 的前两页抓取。

现在您已经知道如何从页面中提取数据，我们来看看如何跟踪链接。

# -*- coding: utf-8 -*-
import scrapy


class ToScrapeSpiderXPath(scrapy.Spider):
    name = 'quotes'
    start_urls = [
        'http://quotes.toscrape.com/',
    ]

    def parse(self, response):
        for quote in response.xpath('//div[@class="quote"]'):
            yield {
                'text': quote.xpath('./span[@class="text"]/text()').extract_first(),
                'author': quote.xpath('.//small[@class="author"]/text()').extract_first(),
                'tag': quote.xpath('.//div[@class="tags"]/a[@class="tag"]/text()').extract()
            }

        next_page_url = response.xpath('//li[@class="next"]/a/@href').extract_first()
        if next_page_url is not None:
            yield scrapy.Request(response.urljoin(next_page_url),callback=self.parse)
        # if next_page_url is not None:　　#相对链接
        #    yield response.follow(next_page_url, callback=self.parse)

现在，在提取数据之后，parse() 方法查找到下一页的链接，使用 urljoin() 方法构建一个完整的绝对 URL（因为链接可以是相对的），并生成（yield）一个到下一页的新的请求， 其中包括回调方法（parse）。

您在这里看到的是 Scrapy 的链接跟踪机制：当您在一个回调方法中生成（yield）请求（request）时，Scrapy 将安排发起该请求，并注册该请求完成时执行的回调方法。

使用它，您可以根据您定义的规则构建复杂的跟踪链接机制，并根据访问页面提取不同类型的数据。

在我们的示例中，它创建一个循环，跟踪所有到下一页的链接，直到它找不到要抓取的博客，论坛或其他站点分页。

不像 scrapy.Request，response.follow 支持相对 URL - 不需要调用urljoin。请注意，response.follow 只是返回一个 Request 实例，您仍然需要生成请求（yield request）。