轉自：https://binux.blog/2015/01/pyspider-tutorial-level-1-html-and-css-selector/
雖然以前寫過 如何抓取WEB頁面 和 如何從 WEB 頁面中提取信息。但是感覺還是需要一篇 step by step 的教程，不然沒有一個總體的認識。不過，沒想到這個教程居然會變成一篇譯文，在這個爬蟲教程系列文章中，會以實際的例子，由淺入深討論爬取（抓取和解析）的一些關鍵問題。
在 教程一 中，我們將要爬取的網站是豆瓣電影：http://movie.douban.com/
你可以在: http://demo.pyspider.org/debug/tutorial_douban_movie 獲得完整的代碼，和進行測試。
開始之前
由於教程是基於 pyspider 的，你可以安裝一個 pyspider（Quickstart，也可以直接使用 pyspider 的 demo 環境： http://demo.pyspider.org/。
你還應該至少對萬維網是什麼有一個簡單的認識：
萬維網是一個由許多互相鏈接的超文本頁面（以下簡稱網頁）組成的系統。
- 網頁使用網址（URL）定位，並鏈接彼此
- 網頁使用 HTTP 協議傳輸
- 網頁使用 HTML 描述外觀和語義
所以，爬網頁實際上就是：
- 找到包含我們需要的信息的網址（URL）列表
- 通過 HTTP 協議把頁面下載回來
- 從頁面的 HTML 中解析出需要的信息
- 找到更多這個的 URL，回到 2 繼續
選取一個開始網址
既然我們要爬所有的電影，首先我們需要抓一個電影列表，一個好的列表應該：
- 包含足夠多的電影的 URL
- 通過翻頁，可以遍歷到所有的電影
- 一個按照更新時間排序的列表，可以更快抓到最新更新的電影
我們在 http://movie.douban.com/ 掃了一遍，發現並沒有一個列表能包含所有電影，只能退而求其次，通過抓取分類下的所有的標籤列表頁，來遍歷所有的電影： http://movie.douban.com/tag/
創建一個項目
在 pyspider 的 dashboard 的右下角，點擊 “Create” 按鈕
替換 on_start 函數的 self.crawl 的 URL：
@every(minutes=24 * 60)
def on_start(self):
self.crawl('http://movie.douban.com/tag/', callback=self.index_page)
- self.crawl 告訴 pyspider 抓取指定頁面，然後使用 callback 函數對結果進行解析。
- @every) 修飾器，表示 on_start 每天會執行一次，這樣就能抓到最新的電影了。
點擊綠色的 run 執行，你會看到 follows 上面有一個紅色的 1，切換到 follows 面板，點擊綠色的播放按鈕：
Tag 列表頁
在 tag 列表頁 中，我們需要提取出所有的 電影列表頁 的 URL。你可能已經發現了，sample handler 已經提取了非常多大的 URL，所有，一種可行的提取列表頁 URL 的方法就是用正則從中過濾出來：
import re
...
@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
for each in response.doc('a[href^="http"]').items():
if re.match("http://movie.douban.com/tag/\w+", each.attr.href, re.U):
self.crawl(each.attr.href, callback=self.list_page)
- 由於 電影列表頁和 tag列表頁長的並不一樣，在這裏新建了一個 callback 爲 self.list_page
- @config(age=10 * 24 * 60 * 60) 在這表示我們認爲 10 天內頁面有效，不會再次進行更新抓取
由於 pyspider 是純 Python 環境，你可以使用 Python 強大的內置庫，或者你熟悉的第三方庫對頁面進行解析。不過更推薦使用 CSS選擇器。
電影列表頁
再次點擊 run 讓我們進入一個電影列表頁(list_page)。在這個頁面中我們需要提取：
- 電影的鏈接，例如，http://movie.douban.com/subject/1292052/
- 下一頁的鏈接，用來翻頁
CSS選擇器
CSS選擇器，顧名思義，是 CSS 用來定位需要設置樣式的元素 所使用的表達式。既然前端程序員都使用 CSS選擇器 爲頁面上的不同元素設置樣式，我們也可以通過它定位需要的元素。你可以在 CSS 選擇器參考手冊 這裏學習更多的 CSS選擇器 語法。
在 pyspider 中，內置了 response.doc 的 PyQuery 對象，讓你可以使用類似 jQuery 的語法操作 DOM 元素。你可以在 PyQuery 的頁面上找到完整的文檔。
CSS Selector Helper
在 pyspider 中，還內置了一個 CSS Selector Helper，當你點擊頁面上的元素的時候，可以幫你生成它的 CSS選擇器 表達式。你可以點擊 Enable CSS selector helper 按鈕，然後切換到 web 頁面：
開啓後，鼠標放在元素上，會被黃色高亮，點擊後，所有擁有相同 CSS選擇器 表達式的元素會被高亮。表達式會被插入到 python 代碼當前光標位置。創建下面的代碼，將光標停留在單引號中間：
def list_page(self, response):
for each in response.doc('').items():
點擊一個電影的鏈接，CSS選擇器 表達式將會插入到你的代碼中，如此重複，插入翻頁的鏈接：
def list_page(self, response):
for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV>TABLE TR.item>TD>DIV.pl2>A').items():
self.crawl(each.attr.href, callback=self.detail_page)
# 翻頁
for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.paginator>A').items():
self.crawl(each.attr.href, callback=self.list_page)
- 翻頁是一個到自己的 callback 回調
電影詳情頁
再次點擊 run，follow 到詳情頁。使用 css selector helper 分別添加電影標題，打分和導演：
def detail_page(self, response):
return {
"url": response.url,
"title": response.doc('HTML>BODY>DIV#wrapper>DIV#content>H1>SPAN').text(),
"rating": response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.indent.clearfix>DIV.subjectwrap.clearfix>DIV#interest_sectl>DIV.rating_wrap.clearbox>P.rating_self.clearfix>STRONG.ll.rating_num').text(),
"導演": [x.text() for x in response.doc('a[rel="v:directedBy"]').items()],
}
注意，你會發現 css selector helper 並不是總是能提取到合適的 CSS選擇器 表達式。你可以在 Chrome Dev Tools 的幫助下，寫一個合適的表達式：
右鍵點擊需要提取的元素，點擊審查元素。你並不需要像自動生成的表達式那樣寫出所有的祖先節點，只要寫出那些能區分你不需要的元素的關鍵節點的屬性就可以了。不過這需要抓取和網頁前端的經驗。所以，學習抓取的最好方法就是學會這個頁面/網站是怎麼寫的。
你也可以在 Chrome Dev Tools 的 Javascript Console 中，使用 $$(a[rel=“v:directedBy”]) 測試 CSS Selector。
開始抓取
- 使用 run 單步調試你的代碼，對於用一個 callback 最好使用多個頁面類 型進行測試。然後保存。
- 回到 Dashboard，找到你的項目
- 將 status 修改爲 DEBUG 或 RUNNING
- 按 run 按鈕
