python爬蟲學習筆記 4.2 （Scrapy入門案例（創建項目））
入門案例
學習目標
- 創建一個Scrapy項目
- 定義提取的結構化數據(Item)
- 編寫爬取網站的 Spider 並提取出結構化數據(Item)
- 編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)
一. 新建項目(scrapy startproject)
- 在開始爬取之前，必須創建一個新的Scrapy項目。進入自定義的項目目錄中，運行下列命令：
scrapy startproject mySpider
- 其中， mySpider 爲項目名稱，可以看到將會創建一個 mySpider 文件夾，目錄結構大致如下：
下面來簡單介紹一下各個主要文件的作用：
scrapy.cfg ：項目的配置文件
mySpider/ ：項目的Python模塊，將會從這裏引用代碼
mySpider/items.py ：項目的目標文件
mySpider/pipelines.py ：項目的管道文件
mySpider/settings.py ：項目的設置文件
mySpider/spiders/ ：存儲爬蟲代碼目錄
二、明確目標(mySpider/items.py)
我們打算抓取：http://www.itcast.cn/channel/teacher.shtml 網站裏的所有講師的姓名、職稱和個人信息。
-
打開mySpider目錄下的items.py
-
Item 定義結構化數據字段，用來保存爬取到的數據，有點像Python中的dict，但是提供了一些額外的保護減少錯誤。
-
可以通過創建一個 scrapy.Item 類， 並且定義類型爲 scrapy.Field的類屬性來定義一個Item。
-
接下來，創建一個ItcastItem 類，和構建item模型（model）。
import scrapy
class ItcastItem(scrapy.Item):
name = scrapy.Field()
level = scrapy.Field()
info = scrapy.Field()
pycharm中創建scrapy
在pycharm中的Terminal鍵入命令行
scrapy startproject mySpider
cd test_scrapy
scrapy genspider itcast itcast.cn
啓動爬蟲
scrapy crawl itcast
三、製作爬蟲 （spiders/itcastSpider.py）
爬蟲功能要分兩步：
1. 爬數據
- 在當前目錄下輸入命令，將在mySpider/spider目錄下創建一個名爲itcast的爬蟲，並指定爬取域的範圍：
scrapy genspider itcast "itcast.cn"
- 打開 mySpider/spider目錄裏的 itcast.py，默認增加了下列代碼:
import scrapy
class ItcastSpider(scrapy.Spider):
name = "itcast"
allowed_domains = ["itcast.cn"]
start_urls = (
'http://www.itcast.cn/',
)
def parse(self, response):
pass
其實也可以由我們自行創建itcast.py並編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩
要建立一個Spider， 你必須用scrapy.Spider類創建一個子類，並確定了三個強制的屬性 和 一個方法。
-
name = “” ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。
-
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，不存在的URL會被忽略。
-
start_urls = () ：爬取的URL元祖/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(self, response) ：解析的方法，每個初始URL完成下載後將被調用，調用的時候傳入從每一個URL傳回的Response對象來作爲唯一參數，主要作用如下：
1.負責解析返回的網頁數據(response.body)，提取結構化數據(生成item) 2.生成需要下一頁的URL請求。
將start_urls的值修改爲需要爬取的第一個url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
修改parse()方法
def parse(self, response):
with open("teacher.html", "w") as f:
f.write(response.text)
然後運行一下看看，在mySpider目錄下執行：
scrapy crawl itcast
是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的爬蟲名。
一個Scrapy爬蟲項目裏，可以存在多個爬蟲。各個爬蟲在執行時，就是按照 name 屬性來區分。
運行之後，如果打印的日誌出現 [scrapy] INFO: Spider closed (finished)，代表執行完成。 之後當前文件夾中就出現了一個 teacher.html 文件，裏面就是我們剛剛要爬取的網頁的全部源代碼信息。
2. 取數據
- 爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：
![在這裏插入圖片描述]()
<div class="li_txt">
<h3> xxx </h3>
<h4> xxxxx </h4>
<p> xxxxxxxx </p>
是不是一目瞭然？直接上XPath開始提取數據吧。
- 我們之前在mySpider/items.py 裏定義了一個ItcastItem類。 這裏引入進來
from mySpider.items import ItcastItem
- 然後將我們得到的數據封裝到一個 ItcastItem 對象中，可以保存每個老師的屬性：
from mySpider.items import ItcastItem
def parse(self, response):
#open("teacher.html","wb").write(response.body).close()
# 存放老師信息的集合
items = []
for each in response.xpath("//div[@class='li_txt']"):
# 將我們得到的數據封裝到一個 `ItcastItem` 對象
item = ItcastItem()
#extract()方法返回的都是字符串
name = each.xpath("h3/text()").extract()
title = each.xpath("h4/text()").extract()
info = each.xpath("p/text()").extract()
#xpath返回的是包含一個元素的列表
item['name'] = name[0]
item['title'] = title[0]
item['info'] = info[0]
items.append(item)
# 直接返回最後數據
return items
- 我們暫時先不處理管道，後面會詳細介紹。
保存數據
scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，，命令如下：
# json格式，默認爲Unicode編碼
scrapy crawl itcast -o teachers.json
# json lines格式，默認爲Unicode編碼
scrapy crawl itcast -o teachers.jsonl
# csv 逗號表達式，可用Excel打開
scrapy crawl itcast -o teachers.csv
# xml格式
scrapy crawl itcast -o teachers.xml
思考
如果將代碼改成下面形式，結果完全一樣。
請思考 yield 在這裏的作用：
from mySpider.items import ItcastItem
def parse(self, response):
#open("teacher.html","wb").write(response.body).close()
# 存放老師信息的集合
#items = []
for each in response.xpath("//div[@class='li_txt']"):
# 將我們得到的數據封裝到一個 `ItcastItem` 對象
item = ItcastItem()
#extract()方法返回的都是字符串
name = each.xpath("h3/text()").extract_first()
title = each.xpath("h4/text()").extract_first()
info = each.xpath("p/text()").extract_first()
#items.append(item)
#將獲取的數據交給pipelines
yield item
# 返回數據，不經過pipeline
#return items