[Python]网络爬虫（12）：爬虫框架Scrapy的第一个爬虫示例入门教程
（建議大家多看看官網教程：教程地址）
我們使用dmoz.org這個網站來作為小抓抓一展身手的對象。
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：
[plain]?view plaincopy
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：
[plain]?view plaincopy
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：
[python]?view plaincopy
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。
?
這里可以參考寬度爬蟲教程中提及的思想來幫助理解，教程傳送：[Java] 知乎下巴第5集：使用HttpClient工具包和寬度爬蟲。
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：
[python]?view plaincopy
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：
運行結果如圖：
報錯了：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal?not in range(128)
運行第一個Scrapy項目就報錯，真是命運多舛。
應該是出了編碼問題，谷歌了一下找到了解決方案：
在python的Lib\site-packages文件夾下新建一個sitecustomize.py：
[python]?view plaincopy
再次運行，OK，問題解決了，看一下結果：
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: <None>)。
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<head>元素下面的<title> 標簽。
- /html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內容
- //td: 選擇所有 <td> 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。
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
3.3xpath實驗
下面我們在Shell里面嘗試一下Selector的用法。
實驗的網址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
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：
[plain]?view plaincopy
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<title>這個標簽：
可以輸入：
[python]?view plaincopy
結果就是：
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：
| 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）：
[python]?view plaincopy
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<li>標簽：
[python]?view plaincopy
從<li>標簽中，可以這樣獲取網站的描述：
[python]?view plaincopy
可以這樣獲取網站的標題：
[python]?view plaincopy
可以這樣獲取網站的超鏈接：
[python]?view plaincopy
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 = 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, 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：
[python]?view plaincopy
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）：
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<ul>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：
[python]?view plaincopy
成功抓出了所有的標題，絕對沒有濫殺無辜：
3.5使用Item
接下來我們來看一看如何使用Item。
前面我們說過，Item 對象是自定義的python字典，可以使用標準字典語法獲取某個屬性的值：
[python]?view plaincopy
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:
[python]?view plaincopy
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：
-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^_^
總結
以上是生活随笔為你收集整理的[Python]网络爬虫（12）：爬虫框架Scrapy的第一个爬虫示例入门教程的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 客户关系管理系统-CRM源码
- 下一篇： [Python]网络爬虫（七）：Pyth