Python Scrapy抓取數據

我們使用dmoz.org這個網站來作爲小抓抓一展身手的對象。

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

製作爬蟲（Spider）：製作爬蟲開始爬取網頁

存儲內容（Pipeline）：設計管道存儲爬取內容

1.新建項目（Project）

scrapy startproject tutorial

用tree命令展示：

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，將會從這裏引用代碼
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，並且用scrapy.item.Field對象來定義屬性（可以理解成類似於ORM的映射關係）。
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後面添加我們自己的class。

因爲要抓dmoz.org網站的內容，所以我們可以將其命名爲DmozItem：

# -*- coding: utf-8 -*-

# 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到底是什麼。
可以把Item簡單的理解成封裝好的類對象。
3.製作爬蟲（Spider）
製作爬蟲，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，然後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。
他們定義了用於下載的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，並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。爬蟲從這裏開始抓取數據，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對象作爲唯一參數，負責解析並匹配抓取的數據(解析爲item)，跟蹤更多的URL。
也就是把Url存儲下來並依此爲起點逐步擴散開去，抓取所有符合條件的網頁Url存儲起來繼續爬取。
下面我們來寫第一隻爬蟲，命名爲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是搜索的域名範圍，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，將鏈接的最後兩個地址取出作爲文件名進行存儲

然後運行一下看看，在頂級目錄下運行：

scrapy crawl dmoz

運行結果如圖：

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
因爲這些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。
首先，Scrapy爲爬蟲的 start_urls屬性中的每個URL創建了一個 scrapy.http.Request 對象，並將爬蟲的parse 方法指定爲回調函數。
然後，這些 Request被調度並執行，之後通過parse()方法返回scrapy.http.Response對象，並反饋給爬蟲。
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。在基礎的爬蟲裏，這一步可以用正則表達式來抓。在Scrapy裏，使用一種叫做 XPath selectors的機制，它基於 XPath表達式。
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> 標籤。
/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 標籤元素
以上只是幾個使用XPath的簡單例子，但是實際上XPath非常強大。
爲了方便使用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裏面，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，爲選中的數據
re()：返回一串一個unicode字符串，爲使用正則表達式抓取出來的內容

3.3xpath實驗

下面我們在Shell裏面嘗試一下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

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

回車後可以看到如下的內容：

現在就像是一大堆沙子握在手裏，裏面藏着我們想要的金子，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爲我們準備好的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)。

然後我們來搗弄一下！~

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麼樣子。

比如，我們要抓取網頁的標題，也就是<title>這個標籤：

備註：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：

當然title這個標籤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>標籤：

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

從<li>標籤中，可以這樣獲取網站的描述：

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

可以這樣獲取網站的標題：

可以這樣獲取網站的超鏈接：

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，

那麼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做了這麼久的實戰，最後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：

qixuan@ubuntu:~/qixuan02/tutorial/tutorial/spiders$ cat dmoz_spider.py
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，並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。

我們來試着輸入一下命令運行爬蟲（在tutorial根目錄裏面）：

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，怎麼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，

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

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.

作爲一隻爬蟲，Spiders希望能將其抓取的數據存放到Item對象中。爲了返回我們抓取數據，spider的最終代碼應當是這樣:

from scrapy.spider 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[@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)  
        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

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

因爲這個只是一個小型的例子，所以這樣簡單的處理就可以了。

最後目錄下生成如下文件：

參考來源：網絡爬蟲（12）：爬蟲框架Scrapy的第一個爬蟲示例入門教程

Python Scrapy抓取數據

自己動手開發一個 Web 服務器（二）

自己動手開發一個 Web 服務器（三）

loadrunner僞裝ip訪問網頁

基於端口的訪問控制協議802.1X

Docker（32bit）鏡像創建

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結