Scrapy-笔记一入门项目爬虫抓取w3c网站

2019 年 11 月 28 日
筆記

学习自:http://blog.csdn.net/u012150179/article/details/32911511

入门项目建议仔细学习

关于环境配置请看:http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/install.html

1.创建项目:

	scrapy crawl w3school

2.在items.py中定义Item容器

所谓Item容器就是将在网页中获取的数据结构化保存的数据结构，类似于Python中字典。下面为items.py中代码。

from scrapy.item import Item,Field    class W3schoolItem(Item):      title = Field()      link = Field()      desc = Field()

定义了自己的W3schoolItem类，它继承自scrapy的Item（这里没有显示定义W3schoolItem的__init__()方法，也正因为如此，python也会为你自动调用基类的__init__()，否则必须显式在子类的__init__()中调用基类__init__()）。之后声明W3schoolItem中元素并使用Field定义。

3.在pipelines.py中编写W3schoolPipeline

实现对item的处理。

在其中主要完成数据的查重、丢弃，验证item中数据，将得到的item数据保存等工作。代码如下：

# -*- coding: utf-8 -*-    # Define your item pipelines here  #  # Don't forget to add your pipeline to the ITEM_PIPELINES setting  # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html    import json  import codecs    class W3SchoolPipeline(object):      def __init__(self):          #初始化打开json记录文件数据          #定义编码为utf-8          self.file = codecs.open('w3school_data_utf8.json', 'wb', encoding='utf-8')        def process_item(self, item, spider):          line = json.dumps(dict(item)) + 'n'          # print line            self.file.write(line.decode("unicode_escape"))          return item          #返回类型必须要是item类型

其中的process_item方法是必须调用的用来处理item，并且返回值必须为Item类的对象，或者是抛出DropItem异常。并且上述方法将得到的item实现解码，以便正常显示中文，最终保存到json文件中。

注意：在编写完pipeline后，为了能够启动它，必须将其加入到ITEM_PIPLINES配置中，即在settings.py中加入下面一句：

ITEM_PIPELINES = {      'w3school.pipelines.W3SchoolPipeline':300  }

4.爬虫主代码

spider/文件夹下编写w3cshool_spider.py

#!/usr/bin/python  # -*- coding:utf-8 -*-    from scrapy.spider import Spider  from scrapy.selector import Selector  from scrapy import log    from w3school.items import W3schoolItem      class W3schoolSpider(Spider):      """爬取w3school标签"""      #log.start("log",loglevel='INFO')      #name为必须,需要在启动项目时制定      name = "w3school"      allowed_domains = ["w3school.com.cn"]      #制定url列表,一般放置url根路口      start_urls = [          "http://www.w3school.com.cn/xml/xml_syntax.asp"      ]        def parse(self, response):          #选择器获取页面源码,          sel = Selector(response)          #使用xparh进行筛选,选取所有div中id为navsecond的层所包含的所有div中id为course的ul中ul标签下的,li标签内容,          sites = sel.xpath('//div[@id="navsecond"]/div[@id="course"]/ul[1]/li')            #定义一个items容器          items = []          #site的内容包括href为链接,title为标题,          for site in sites:              #成为ie一个item的字典类型              item = W3schoolItem()              #对每一个site使用xpath抽取出a标签内的text,href,title.              title = site.xpath('a/text()').extract()              link = site.xpath('a/@href').extract()              desc = site.xpath('a/@title').extract()                item['title'] = [t.encode('utf-8') for t in title]              item['link'] = [l.encode('utf-8') for l in link]              item['desc'] = [d.encode('utf-8') for d in desc]              #在列表中加入这个字典              items.append(item)                #记录              log.msg("Appending item...",level='INFO')              log.msg("Append done.",level='INFO')          return items

（1）需要注意的是编写的spider必须继承自scrapy的Spider类。

属性name即spider唯一名字，start_url可以理解为爬取入口。

（2）parse方法。

parse（）是对scrapy.Spider类的override。

（3）网页中的数据提取机制。

scrapy使用选择器Selector并通过XPath实现数据的提取。关于XPath 推荐w3school的教程。

（4）在parse方法中还使用到了log功能实现信息记录。

使用log.mes()函数即可。

5.最终结果:

提取的是http://www.w3school.com.cn/xml/xml_syntax.asp网页中下图部分。

即“XML 基础”下所有目录结构的名字、链接和描述。使用Firebug找到次部分对应的代码块后就可以使用XPath执行信息提取。Xpath表达式如上面代码中所示。

上面还涉及到了对item中信息的编码，是为了中文信息在json文件中的正确显示。

6.运行项目

scrapy crawl w3school

运行 vim w3school_data_utf8.json

即可看到

7.审查元素

一般使用谷歌浏览器,然后在页面右击选择审查||检查,或者f12可以看到页面的源代码,可以进行xpath的筛选

原创文章，转载请注明： 转载自URl-team

本文链接地址: Scrapy-笔记一入门项目爬虫抓取w3c网站