手把手教你写网络爬虫（4）：Scrapy入门

本系列：

创新互联建站于2013年开始，是专业互联网技术服务公司，拥有项目成都网站制作、网站设计网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元榕城做网站,已为上家服务,为榕城各地企业和个人服务,联系电话:18982081108

  • 《手把手教你写网络爬虫（1）：网易云音乐歌单》
  • 《手把手教你写网络爬虫（2）：迷你爬虫架构》
  • 《手把手教你写网络爬虫（3）：开源爬虫框架对比》

上期我们理性的分析了为什么要学习Scrapy，理由只有一个，那就是免费，一分钱都不用花！

咦？怎么有人扔西红柿？好吧，我承认电视看多了。不过今天是没得看了，为了赶稿，又是一个不眠夜。。。言归正传，我们将在这一期介绍完Scrapy的基础知识， 如果想深入研究，大家可以参考官方文档，那可是出了名的全面，我就不占用公众号的篇幅了。

架构简介

下面是Scrapy的架构，包括组件以及在系统中发生的数据流的概览(红色箭头所示)。 之后会对每个组件做简单介绍，数据流也会做一个简要描述。

架构就是这样，流程和我第二篇里介绍的迷你架构差不多，但扩展性非常强大。

One more thing

 
 
 
 
      
  
  
  
  1. scrapy startproject tutorial 
    2.

该命令将会创建包含下列内容的 tutorial 目录:

 
 
 
 
      
  
  
  
  1. tutorial/  
    2.   
  
  
  
  2.     scrapy.cfg            # 项目的配置文件  
    3.   
  
  
  
  3.     tutorial/             # 该项目的python模块。之后您将在此加入代码  
    4.   
  
  
  
  4.         __init__.py  
    5.   
  
  
  
  5.         items.py          # 项目中的item文件  
    6.   
  
  
  
  6.         pipelines.py      # 项目中的pipelines文件  
    7.   
  
  
  
  7.         settings.py       # 项目的设置文件  
    8.   
  
  
  
  8.         spiders/          # 放置spider代码的目录  
    9.   
  
  
  
  9.             __init__.py 
    10.

编写***个爬虫

Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。其包含了一个用于下载的初始URL，以及如何跟进网页中的链接以及如何分析页面中的内容的方法。

以下为我们的***个Spider代码，保存在 tutorial/spiders 目录下的 quotes_spider.py文件中:

 
 
 
 
      
  
  
  
  1. import scrapy   
    2.   
  
  
  
  2.  
    3.   
  
  
  
  3. class QuotesSpider(scrapy.Spider):  
    4.   
  
  
  
  4.     name = "quotes"   
    5.   
  
  
  
  5.  
    6.   
  
  
  
  6.     def start_requests(self):  
    7.   
  
  
  
  7.         urls = [  
    8.   
  
  
  
  8.             'http://quotes.toscrape.com/page/1/',  
    9.   
  
  
  
  9.             'http://quotes.toscrape.com/page/2/',  
    10.   
  
  
  
  10.         ]  
    11.   
  
  
  
  11.         for url in urls:  
    12.   
  
  
  
  12.             yield scrapy.Request(url=url, callback=self.parse)   
    13.   
  
  
  
  13.  
    14.   
  
  
  
  14.     def parse(self, response):  
    15.   
  
  
  
  15.         page = response.url.split("/")[-2]  
    16.   
  
  
  
  16.         filename = 'quotes-%s.html' % page  
    17.   
  
  
  
  17.         with open(filename, 'wb') as f:  
    18.   
  
  
  
  18.             f.write(response.body)  
    19.   
  
  
  
  19.         self.log('Saved file %s' % filename) 
    20.

运行我们的爬虫

进入项目的根目录，执行下列命令启动spider:

 
 
 
 
      
  
  
  
  1. scrapy crawl quotes 
    2.

这个命令启动用于爬取 quotes.toscrape.com 的spider，你将得到类似的输出:

 
 
 
 
      
  
  
  
  1. 2017-05-10 20:36:17 [scrapy.core.engine] INFO: Spider opened  
    2.   
  
  
  
  2. 2017-05-10 20:36:17 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)  
    3.   
  
  
  
  3. 2017-05-10 20:36:17 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023  
    4.   
  
  
  
  4. 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (404)  (referer: None)  
    5.   
  
  
  
  5. 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200)  (referer: None)  
    6.   
  
  
  
  6. 2017-05-10 20:36:17 [scrapy.core.engine] DEBUG: Crawled (200)  (referer: None)  
    7.   
  
  
  
  7. 2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-1.html  
    8.   
  
  
  
  8. 2017-05-10 20:36:17 [quotes] DEBUG: Saved file quotes-2.html  
    9.   
  
  
  
  9. 2017-05-10 20:36:17 [scrapy.core.engine] INFO: Closing spider (finished) 
    10.

提取数据

我们之前只是保存了HTML页面，并没有提取数据。现在升级一下代码，把提取功能加进去。至于如何使用浏览器的开发者模式分析网页，之前已经介绍过了。

 
 
 
 
      
  
  
  
  1. import scrapy   
    2.   
  
  
  
  2. class QuotesSpider(scrapy.Spider):  
    3.   
  
  
  
  3.     name = "quotes"  
    4.   
  
  
  
  4.     start_urls = [  
    5.   
  
  
  
  5.         'http://quotes.toscrape.com/page/1/',  
    6.   
  
  
  
  6.         'http://quotes.toscrape.com/page/2/',  
    7.   
  
  
  
  7.     ]   
    8.   
  
  
  
  8.  
    9.   
  
  
  
  9.     def parse(self, response):  
    10.   
  
  
  
  10.         for quote in response.css('div.quote'):  
    11.   
  
  
  
  11.             yield {  
    12.   
  
  
  
  12.                 'text': quote.css('span.text::text').extract_first(),  
    13.   
  
  
  
  13.                 'author': quote.css('small.author::text').extract_first(),  
    14.   
  
  
  
  14.                 'tags': quote.css('div.tags a.tag::text').extract(),  
    15.   
  
  
  
  15.             } 
    16.

再次运行这个爬虫，你将在日志里看到被提取出的数据：

 
 
 
 
      
  
  
  
  1. 2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>  
    2.   
  
  
  
  2. {'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'}  
    3.   
  
  
  
  3. 2017-05-10 20:38:33 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>  
    4.   
  
  
  
  4. {'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A. Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"} 
    5.

保存爬取的数据

最简单存储爬取的数据的方式是使用 Feed exports:

 
 
 
 
      
  
  
  
  1. scrapy crawl quotes -o quotes.json 
    2.

该命令将采用 JSON 格式对爬取的数据进行序列化，生成quotes.json文件。

在类似本篇教程里这样小规模的项目中，这种存储方式已经足够。如果需要对爬取到的item做更多更为复杂的操作，你可以编写 Item Pipeline，tutorial/pipelines.py在最开始的时候已经自动创建了。

当前题目：手把手教你写网络爬虫（4）：Scrapy入门
当前地址：http://www.mswzjz.cn/qtweb/news21/97821.html

攀枝花网站建设、攀枝花网站运维推广公司-贝锐智能，是专注品牌与效果的网络营销公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 贝锐智能

贝锐智能技术为您推荐以下文章

企业网站制作知识

分类信息网站

成都网络营销　　 　bgp机房托管　　 　雅安电信机房　　 　达州博佩科技　　 　成都网站建设推广　　 　成都微信公众号开发　　 　成都名片印刷　　 　边坡防护网　　 　成都网站建设公司　　 　平昌做网站　　 　成都展柜制作　　 　APP定制开发　　 　公司logo设计　　 　注册域名　　 　B2C电商系统　　 　重庆托管服务器　　 　香港虚拟主机空间　　 　德阳东方电机技改　　 　奢侈品网站建设方案　　 　小谭建站