Scrapy简单入门实例

一、demo介绍：

1. 创建一个Scrapy项目（爬虫）
2. 定义提取的Item对象（即ORM，类似于Java中的POJO实体类）
3. 编写爬取的Spider爬虫并且提取Item（核心内容）
4. 编写item pipeline管道来存储提取的item信息（持久化数据，例如存Mysql数据库或者MongoDB数据库或者导出CSV、Excel文件等等操作）

二、创建项目

使用startproject命令创建一个Scrapy爬虫项目

scrapy startproject tutorial

image.png

三、目录结构：

|-tutorial/
    |-scrapy.cfg
    |-tutorial/
         |-__init__.py
         |-items.py
         |-pipelines.py
         |-settings.py
         |-middlewares.py
         |-spiders/
            |- __init__.py

四、结构说明：

• tutorial/init.py：该文件定义了包的属性和方法。一个包是一个带有特殊文件 init.py 的目录，其实它可以什么也不定义，可以只是一个空文件，但是必须存在（如果删掉就变成一个普通的目录了）。
• scrapy.cfg: 自动生成的项目配置文件（类似于eclipse生成的.project文件，或者idea生成的.iml文件）。
• tutorial/: 该项目的python模块，之后您将在此加入代码。
• tutorial/items.py: 项目中的item文件（ORM定义）。
• tutorial/pipelines.py: 项目中的pipelines文件（存储数据）。
• tutorial/middlewares.py: Spider中间件（常用的有下载中间件，即处理下载请求部分，这里不做介绍，如果想深入了解可以看下官网教程）
• tutorial/settings.py: 项目的核心配置文件（配置请求头、数据库连接信息、USER_AGENT，线程数等等）。
• tutorial/spiders/: 放置spider代码的目录（编写spider爬虫）。

五、定义Item

ORM（对象关系映射）定义，如果做过javaweb开发的童靴应该知道，就和通常我们定义的javaBean对象一样，用来装载对象数据用的。

import scrapy

class TutorialItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

六、编写第一个爬虫(Spider)

在tutorial/spiders目录下新建一个dmoz_spider.py文件，创建一个DmozSplider类，并且继承scrapy.Spider类。

import scrapy

class DmozSplider(scrapy.Spider):
    name="dmoz"
    allowed_domain=["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]
        with open(filename,"wb") as f:
            f.write(response.body)

注意，上面我们创建了一个DmozSplider类，并且该类必须继承于scrapy.Spider类，且同时定义以下三个属性：

name：用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。
start_urls：包含了Spider在启动时进行爬取的url列表。 因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
parse()：是spider的一个方法。 被调用时，每个初始URL完成下载后生成的Response对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的Request对象。

七、爬取

进入项目的根目录，执行下列命令启动spider爬虫：

scrapy crawl dmoz

或者写一个main.py启动入口（如果是在PyCharm中，直接右键运行【Run Main】即可）：

from scrapy import cmdline

cmdline.execute("scrapy crawl dmoz".split())

image.png

八、保存爬取到的数据：

scrapy crawl dmoz -o items.json

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

官网教程：http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html#spider