下文參考：http://www.jb51.net/article/57183.htm

個人也是稍加整理，修改其中的一些錯誤，這些錯誤與scrapy版本選擇有關，個環境：Win7x64_SP1 + Python2.7 + scrapy1.1

另外例子中的URL(http://www.dmoz.org/Computers/Programming/Languages/Python/Books/)經常無法訪問，大家注意一下，不要認為腳本有問題。

廢話說完了，下面正式開始！

網絡爬蟲，是在網上進行數據抓取的程序，使用它能夠抓取特定網頁的HTML數據。雖然我們利用一些庫開發一個爬蟲程序，但是使用框架可以大大提高效 率，縮短開發時間。Scrapy是一個使用Python編寫的，輕量級的，簡單輕巧，并且使用起來非常的方便。使用Scrapy可以很方便的完成網上數據 的采集工作，它為我們完成了大量的工作，而不需要自己費大力氣去開發。

首先先要回答一個問題。

問：把網站裝進爬蟲里，總共分幾步？

答案很簡單，四步：

新建項目 (Project)：新建一個新的爬蟲項目

明確目標(Items)：明確你想要抓取的目標

制作爬蟲(Spider)：制作爬蟲開始爬取網頁

存儲內容(Pipeline)：設計管道存儲爬取內容

好的，基本流程既然確定了，那接下來就一步一步的完成就可以了。

1.新建項目(Project)

在空目錄下按住Shift鍵右擊，選擇“在此處打開命令窗口”，輸入一下命令：

scrapy startproject tutorial

其中，tutorial為項目名稱。

可以看到將會創建一個tutorial文件夾，目錄結構如下：

tutorial/

scrapy.cfg

tutorial/

__init__.py

items.py

pipelines.py

settings.py

spiders/

__init__.py

...

下面來簡單介紹一下各個文件的作用：

scrapy.cfg：項目的配置文件

tutorial/：項目的Python模塊，將會從這里引用代碼

tutorial/items.py：項目的items文件

tutorial/pipelines.py：項目的pipelines文件

tutorial/settings.py：項目的設置文件

tutorial/spiders/：存儲爬蟲的目錄

2.明確目標(Item)

在Scrapy中，items是用來加載抓取內容的容器，有點像Python中的Dic，也就是字典，但是提供了一些額外的保護減少錯誤。

一般來說，item可以用scrapy.item.Item類來創建，并且用scrapy.item.Field對象來定義屬性(可以理解成類似于ORM的映射關系)。

接下來，我們開始來構建item模型(model)。

首先，我們想要的內容有：

名稱(name)

鏈接(url)

描述(description)

修改tutorial目錄下的items.py文件，在原本的class后面添加我們自己的class。

因為要抓dmoz.org網站的內容，所以我們可以將其命名為DmozItem：

# 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

class TutorialItem(Item):

# define the fields for your item here like:

# name = Field()

pass

class DmozItem(Item):

title = Field()

link = Field()

desc = Field()

剛開始看起來可能會有些看不懂，但是定義這些item能讓你用其他組件的時候知道你的 items到底是什么。

可以把Item簡單的理解成封裝好的類對象。

3.制作爬蟲(Spider)

制作爬蟲，總體分兩步：先爬再取。

也就是說，首先你要獲取整個網頁的所有內容，然后再取出其中對你有用的部分。

3.1爬Spider是用戶自己編寫的類，用來從一個域(或域組)中抓取信息。

他們定義了用于下載的URL列表、跟蹤鏈接的方案、解析網頁內容的方式，以此來提取items。

要建立一個Spider，你必須用scrapy.spider.BaseSpider創建一個子類，并確定三個強制的屬性：

name：爬蟲的識別名稱，必須是唯一的，在不同的爬蟲中你必須定義不同的名字。

start_urls：爬取的URL列表。爬蟲從這里開始抓取數據，所以，第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

parse()：解析的方法，調用的時候傳入從每一個URL傳回的Response對象作為唯一參數，負責解析并匹配抓取的數據(解析為item)，跟蹤更多的URL。

也就是把Url存儲下來并依此為起點逐步擴散開去，抓取所有符合條件的網頁Url存儲起來繼續爬取。

下面我們來寫第一只爬蟲，命名為dmoz_spider.py，保存在tutorial\spiders目錄下。

dmoz_spider.py代碼如下：

from scrapy.spider 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)

allow_domains是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁。

從parse函數可以看出，將鏈接的最后兩個地址取出作為文件名進行存儲。

然后運行一下看看，在tutorial目錄下按住shift右擊，在此處打開命令窗口，輸入：

scrapy crawl dmoz

運行結果：

最后一句INFO: Closing spider (finished)表明爬蟲已經成功運行并且自行關閉了。

包含 [dmoz]的行 ，那對應著我們的爬蟲運行的結果。

可以看到start_urls中定義的每個URL都有日志行。

還記得我們的start_urls嗎？

http://www.dmoz.org/Computers/Programming/Languages/Python/Books

http://www.dmoz.org/Computers/Programming/Languages/Python/Resources

因為這些URL是起始頁面，所以他們沒有引用(referrers)，所以在它們的每行末尾你會看到 (referer: )。

在parse 方法的作用下，兩個文件被創建：分別是 Books 和 Resources，這兩個文件中有URL的頁面內容。

那么在剛剛的電閃雷鳴之中到底發生了什么呢？

首先，Scrapy為爬蟲的 start_urls屬性中的每個URL創建了一個 scrapy.http.Request 對象 ，并將爬蟲的parse 方法指定為回調函數。

然后，這些 Request被調度并執行，之后通過parse()方法返回scrapy.http.Response對象，并反饋給爬蟲。

3.2取

爬取整個網頁完畢，接下來的就是的取過程了。

光存儲一整個網頁還是不夠用的。

在基礎的爬蟲里，這一步可以用正則表達式來抓。

在Scrapy里，使用一種叫做 XPath selectors的機制，它基于 XPath表達式。

如果你想了解更多selectors和其他機制你可以查閱資料：點我點我

這是一些XPath表達式的例子和他們的含義

/html/head/title: 選擇HTML文檔

元素下面的 標簽。

/html/head/title/text(): 選擇前面提到的

元素下面的文本內容

//td: 選擇所有

元素

//div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標簽元素

以上只是幾個使用XPath的簡單例子，但是實際上XPath非常強大。

可以參照W3C教程：點我點我。

為了方便使用XPaths，Scrapy提供XPathSelector 類，有兩種可以選擇，HtmlXPathSelector(HTML數據解析)和XmlXPathSelector(XML數據解析)。

必須通過一個 Response 對象對他們進行實例化操作。

你會發現Selector對象展示了文檔的節點結構。因此，第一個實例化的selector必與根節點或者是整個目錄有關 。

在Scrapy里面，Selectors 有四種基礎的方法(點擊查看API文檔)：

xpath()：返回一系列的selectors，每一個select表示一個xpath參數表達式選擇的節點

css()：返回一系列的selectors，每一個select表示一個css參數表達式選擇的節點

extract()：返回一個unicode字符串，為選中的數據

re()：返回一串一個unicode字符串，為使用正則表達式抓取出來的內容

熟悉完了實驗的小白鼠，接下來就是用Shell爬取網頁了。

進入到項目的頂層目錄，也就是第一層tutorial文件夾下，在cmd中輸入：

scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/

回車后可以看到如下的內容：

在Shell載入后，你將獲得response回應，存儲在本地變量 response中。

所以如果你輸入response.body，你將會看到response的body部分，也就是抓取到的頁面內容：

或者輸入response.headers 來查看它的 header部分：

現在就像是一大堆沙子握在手里，里面藏著我們想要的金子，所以下一步，就是用篩子搖兩下，把雜質出去，選出關鍵的內容。

selector就是這樣一個篩子。

在舊的版本中，Shell實例化兩種selectors，一個是解析HTML的 hxs 變量，一個是解析XML 的 xxs 變量。

而現在的Shell為我們準備好的selector對象，sel，可以根據返回的數據類型自動選擇最佳的解析方案(XML or HTML)。

然后我們來搗弄一下！~

要徹底搞清楚這個問題，首先先要知道，抓到的頁面到底是個什么樣子。

比如，我們要抓取網頁的標題，也就是

這個標簽：

可以輸入：

response.xpath('//title')

運行結果：

這樣就能把這個標簽取出來了，用extract()和text()還可以進一步做處理。

備注：簡單的羅列一下有用的xpath路徑表達式：

表達式?描述

nodename?選取此節點的所有子節點。

/?從根節點選取。

//?從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。

.?選取當前節點。

..?選取當前節點的父節點。

@?選取屬性。

全部的實驗結果如下，In[i]表示第i次實驗的輸入，Out[i]表示第i次結果的輸出(建議大家參照：W3C教程)：

In [1]: response.xpath('//title')

Out[1]: [Open Directory - Computers: Progr'>]

In [2]: response.xpath('//title').extract()

Out[2]: [u'

Open Directory - Computers: Programming: Languages: Python: Books']

In [3]: response.xpath('//title/text()')

Out[3]: []

In [4]: response.xpath('//title/text()').extract()

Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']

In [5]: response.xpath('//title/text()').re('(\w+):')

Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']

當然title這個標簽對我們來說沒有太多的價值，下面我們就來真正抓取一些有意義的東西。

使用火狐的審查元素我們可以清楚地看到，我們需要的東西如下：

我們可以用如下代碼來抓取這個

標簽：

response.xpath('//ul/li')

從

標簽中，可以這樣獲取網站的描述：

response.xpath('//ul/li/text()').extract()

可以這樣獲取網站的標題：

response.xpath('//ul/li/a/text()').extract()

可以這樣獲取網站的超鏈接：

response.xpath('//ul/li/a/@href').extract()

當然，前面的這些例子是直接獲取屬性的方法。

我們注意到xpath返回了一個對象列表，

那么我們也可以直接調用這個列表中對象的屬性挖掘更深的節點

(參考：Nesting selectors andWorking with relative XPaths in the Selectors)：

sites = response.xpath('//ul/li')

for site in sites:

title = site.xpath('a/text()').extract()

link = site.xpath('a/@href').extract()

desc = site.xpath('text()').extract()

print title, link, desc

3.4xpath實戰

我們用shell做了這么久的實戰，最后我們可以把前面學習到的內容應用到dmoz_spider這個爬蟲中。

在原爬蟲的parse函數中做如下修改：

from scrapy.spider import Spider

from scrapy.selector import Selector

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):

sel = Selector(response)

sites = sel.xpath('//ul/li')

for site in sites:

title = site.xpath('a/text()').extract()

link = site.xpath('a/@href').extract()

desc = site.xpath('text()').extract()

print title

注意，我們從scrapy.selector中導入了Selector類，并且實例化了一個新的Selector對象。這樣我們就可以像Shell中一樣操作xpath了。

我們來試著輸入一下命令運行爬蟲(在tutorial根目錄里面)：

scrapy crawl dmoz

運行結果如下：

果然，成功的抓到了所有的標題。但是好像不太對啊，怎么Top，Python這種導航欄也抓取出來了呢？

我們只需要紅圈中的內容：

看來是我們的xpath語句有點問題，沒有僅僅把我們需要的項目名稱抓取出來，也抓了一些無辜的但是xpath語法相同的元素。

審查元素我們發現我們需要的

• 具有class='directory-url'的屬性，

那么只要把xpath語句改成sel.xpath('//ul[@class="directory-url"]/li')即可

將xpath語句做如下調整：

from scrapy.spider import Spider

from scrapy.selector import Selector

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):

sel = Selector(response)

sites = sel.xpath('//ul[@class="directory-url"]/li')

for site in sites:

title = site.xpath('a/text()').extract()

link = site.xpath('a/@href').extract()

desc = site.xpath('text()').extract()

print 'my print ',title

成功抓出了所有的標題，絕對沒有濫殺無辜：

3.5使用Item

作為一只爬蟲，Spiders希望能將其抓取的數據存放到Item對象中。為了返回我們抓取數據，spider的最終代碼應當是這樣:

from scrapy.spiders import Spider

from scrapy.selector import Selector

from tutorial.items import DmozItem

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):

sel = Selector(response)

# sites = sel.xpath('//ul/li')

sites = sel.xpath('//ul[@class="directory-url"]/li')

items = []

for site in sites:

item = DmozItem()

item['title'] = site.xpath('a/text()').extract()

item['link'] = site.xpath('a/@href').extract()

item['desc'] = site.xpath('text()').extract()

items.append(item)

# print '[my print] ',title

return items

4.存儲內容(Pipeline)

保存信息的最簡單的方法是通過Feed exports，主要有四種：JSON，JSON lines，CSV，XML。

我們將結果用最常用的JSON導出，命令如下：

scrapy crawl dmoz -o items.json -t json

-o 后面是導出文件名，-t 后面是導出類型。

然后來看一下導出的結果，用文本編輯器打開json文件即可(為了方便顯示，在item中刪去了除了title之外的屬性)：

因為這個只是一個小型的例子，所以這樣簡單的處理就可以了。

如果你想用抓取的items做更復雜的事情，你可以寫一個 Item Pipeline(條目管道)。

這個我們以后再慢慢玩^_^

以上便是python爬蟲框架Scrapy制作爬蟲抓取網站內容的全部過程了，非常的詳盡吧，希望能夠對大家有所幫助，有需要的話也可以和我聯系，一起進步

總結

以上是生活随笔為你收集整理的python scrapy教程实例_Python之scrapy实例1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。