爬虫7:Scrapy-爬网页

用Scrapy做爬虫分为四步

• 新建项目 (Project)：新建一个新的爬虫项目
• 明确目标（Items）：明确你想要抓取的目标
• 制作爬虫（Spider）：制作爬虫开始爬取网页
• 存储内容（Pipeline）：设计管道存储爬取内容

上一章节做了创建项目，接着用上一次创建的项目来爬取网页

网上很多教程都是用的dmoz.org这个网站来做实验，所以我也用这个来做了实验

明确目标

在Scrapy中，items是用来加载抓取内容的容器

我们想要的内容是

• 名称（name）
• 链接（url）
• 描述（description）

在tutorial目录下会有items.py文件，在默认的代码后面添加上我们的代码

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
from scrapy.item import Item, Field
import scrapy


class TutorialItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()

#下面是我自己加的
class DmozItem(Item):    
    title = Field()
    link = Field()
    desc = Field()

制作爬虫

爬虫还是老规矩，先爬再取。也就是说先获取整个网页的内容，然后取出你需要的部分

在tutorialspiders目录下建立python文件，命名为dmoz_spider.py

目前的代码如下

from scrapy.spiders import Spider

class DmozSpider(Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls= [
         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]
    def parse(self,response):
        filename=response.url.split("/")[-2]
        open(filename,'wb').write(response.body)

name是爬虫的名字，必须唯一

allowed_domains是爬取的限制范围，意思只爬取该域名下的内容

start_urls是爬取的url列表，子URLl将会从这些起始URL中继承性生成

parse大概可以理解为对response的预处理

好啦，爬虫写好了，然后运行，在tutorial目录下打开cmd窗口

输入

scrapy crawl dmoz

哦豁，报错了

娘度了下，是因为没有win32api这个模块

我用的是python2.7 32位，所以下载pywin32-219.win32-py2.7.exe这个文件

记得不要下错了，分32位和64位的，下载成64位的话会继续报

dll load failed: 1% 不是有效的win32的

错误

配置好环境后，重新运行

成功

tutorial目录下多了book和Resources两个文件，这就是爬取下来的文件