手把手教你寫網(wǎng)絡(luò)爬蟲（4）：Scrapy入門
本系列：
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（1）：網(wǎng)易云音樂歌單》
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（2）：迷你爬蟲架構(gòu)》
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（3）：開源爬蟲框架對比》
上期我們理性的分析了為什么要學(xué)習(xí)Scrapy，理由只有一個，那就是免費，一分錢都不用花！
咦？怎么有人扔西紅柿？好吧，我承認電視看多了。不過今天是沒得看了，為了趕稿，又是一個不眠夜。。。言歸正傳，我們將在這一期介紹完Scrapy的基礎(chǔ)知識， 如果想深入研究，大家可以參考官方文檔，那可是出了名的全面，我就不占用公眾號的篇幅了。
架構(gòu)簡介
下面是Scrapy的架構(gòu)，包括組件以及在系統(tǒng)中發(fā)生的數(shù)據(jù)流的概覽(紅色箭頭所示)。 之后會對每個組件做簡單介紹，數(shù)據(jù)流也會做一個簡要描述。
架構(gòu)就是這樣，流程和我第二篇里介紹的迷你架構(gòu)差不多，但擴展性非常強大。
One more thing
- scrapy startproject tutorial
該命令將會創(chuàng)建包含下列內(nèi)容的 tutorial 目錄:
- tutorial/
- scrapy.cfg # 項目的配置文件
- tutorial/ # 該項目的python模塊。之后您將在此加入代碼
- __init__.py
- items.py # 項目中的item文件
- pipelines.py # 項目中的pipelines文件
- settings.py # 項目的設(shè)置文件
- spiders/ # 放置spider代碼的目錄
- __init__.py
編寫***個爬蟲
Spider是用戶編寫用于從單個網(wǎng)站(或者一些網(wǎng)站)爬取數(shù)據(jù)的類。其包含了一個用于下載的初始URL，以及如何跟進網(wǎng)頁中的鏈接以及如何分析頁面中的內(nèi)容的方法。
以下為我們的***個Spider代碼，保存在 tutorial/spiders 目錄下的 quotes_spider.py文件中:
- import scrapy
- class QuotesSpider(scrapy.Spider):
- name = "quotes"
- def start_requests(self):
- 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):
- page = response.url.split("/")[-2]
- filename = 'quotes-%s.html' % page
- with open(filename, 'wb') as f:
- f.write(response.body)
- self.log('Saved file %s' % filename)
運行我們的爬蟲
進入項目的根目錄，執(zhí)行下列命令啟動spider:
- scrapy crawl quotes
這個命令啟動用于爬取 quotes.toscrape.com 的spider，你將得到類似的輸出:
- 2017-05-10 20:36:17 [scrapy.core.engine] INFO: Spider opened
- 2017-05-10 20:36:17 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
- 2017-05-10 20:36:17 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
- 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://quotes.toscrape.com/robots.txt> (referer: None)
- 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
- 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/2/> (referer: None)
- 2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-1.html
- 2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-2.html
- 2017-05-10 20:36:17 [scrapy.core.engine] INFO: Closing spider (finished)
提取數(shù)據(jù)
我們之前只是保存了HTML頁面，并沒有提取數(shù)據(jù)。現(xiàn)在升級一下代碼，把提取功能加進去。至于如何使用瀏覽器的開發(fā)者模式分析網(wǎng)頁，之前已經(jīng)介紹過了。
- 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.css('span.text::text').extract_first(),
- 'author': quote.css('small.author::text').extract_first(),
- 'tags': quote.css('div.tags a.tag::text').extract(),
- }
再次運行這個爬蟲，你將在日志里看到被提取出的數(shù)據(jù)：
- 2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
- {'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'}
- 2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
- {'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A. Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"}
保存爬取的數(shù)據(jù)
最簡單存儲爬取的數(shù)據(jù)的方式是使用 Feed exports:
- scrapy crawl quotes -o quotes.json
該命令將采用 JSON 格式對爬取的數(shù)據(jù)進行序列化，生成quotes.json文件。
在類似本篇教程里這樣小規(guī)模的項目中，這種存儲方式已經(jīng)足夠。如果需要對爬取到的item做更多更為復(fù)雜的操作，你可以編寫 Item Pipeline，tutorial/pipelines.py在最開始的時候已經(jīng)自動創(chuàng)建了。
