入门案例

学习目标

创建一个Scrapy项目
定义提取的结构化数据(Item)
编写爬取网站的Spider并提取出结构化数据(Item)
编写Item Pipelines来存储提取到的Item(即结构化数据)

一、新建项目(scrapy startproject)

在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：

scrapy startproject cnblogSpider

其中，cnblogSpider为项目名称，可以看到将会创建一个cnblogSpider文件夹，目录结构大致如下：

scrapy目录结构

scrapy.cfg:项目部署文件
cnblogSpider/: 该项目的python模块，之后可以在此加入代码
cnblogSpider/items.py: 项目中的item文件。
cnblogSpider/pipelines.py: 项目中的Pipelines文件。
cnblogSpider/settings.py: 项目的配置文件。
cnblogSpider/spiders/: 放置Spider代码的目录。

二、明确目标(mySpider/items.py)

我们打算抓取："http://www.cnblogs.com/miqi1992/default.html?page=2" 网站里博客地址、标题、创建时间、文本。

打开cnblogSpider目录下的items.py
item定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict,但是提供了一些额外的保护减少错误。
可以通过创建一个scrapy.item类，并且定义类型为scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。
接下来，创建一个CnblogspiderItem类，和模型item模型(model)。

import scrapy


class CnblogspiderItem(scrapy.Item):
    # define the fields for your item here like:
    url = scrapy.Field()
    time = scrapy.Field()
    title = scrapy.Field()
    content = scrapy.Field()

三、制作爬虫(spiders/cnblogsSpider.py)

爬虫功能主要分两步：

1. 爬数据

在当前目录下输入命令，将在cnblogSpider/spiders目录下创建一个名为cnblog的爬虫，并制定爬取域的范围：

scrapy genspider cnblog "cnblogs.com"

打开cnblogSpider/spiders目录下的cnblog，默认增加了下列代码：

# -*- coding: utf-8 -*-
import scrapy


class CnblogSpider(scrapy.Spider):
    name = 'cnblog'
    allowed_domains = ['cnblogs.com']
    start_urls = ['http://cnblogs.com/']

    def parse(self, response):
        pass

其实也可以由我们自行创建cnblog.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider,你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性和一个方法。

name = "": 这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
allow_domains=[]: 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。
start_urls=():爬取的URL元祖/列表。爬虫从这里开始爬取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
parse(self, response):解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
1. 负责解析返回的网页数据(respose.body),提取结构化数据(生成item)
2. 生成需要下一页的URL请求

将start_urls的值改为需要爬取的第一个url：

start_urls=("http://www.cnblogs.com/miqi1992/default.html?page=2")

修改parse()方法

def parse(self, response):
    filename = "cnblog.html"
    with open(filename, 'w') as f:
        f.write(response.body)

然后运行一下看看，在cnblogSpider目录下运行：

scrapy crawl cnblog

是的，就是cnblog,看上面代码，它是CnblogSpider类的name属性，也就是scrapy genspider命令的唯一爬虫名。

运行之后，如果打印的日志出现[scrapy]INFO: Spider closed(finished)，代表执行完成。之后当前文件夹中就出现了一个cnblog.html文件，里面就是我们刚刚要爬取的网页的全部源代码信息。

#注意，Python2.x默认编码环境是ASCII，当和取回的数据编码格式不一致时，可能会造成乱码;
#我们可以指定保存内容的编码格式，一般情况下，我们可以在代码最上方添加：
import os
reload(sys)
sys.setdefaultencoding('utf-8')
#这三行代码是Python2.x里面解决中文编码的万能钥匙，警告这么多年的吐槽后Python3学乖了，默认编码是Unicode了

2.爬数据

爬取整个网页完毕，接下来就是取过程了，首先观察页面源码：

页面结构

<div class="day">
    <div class="dayTitle">...</div>
    <div class="postTitle">...</div>
    <div class="postCon">...</div>
</div>

XPath表达式如下：
- 所有文章：.//*[@class='day']
- 文章发表时间：.//*[@class='dayTitle']/a/text()
- 文章标题内容：.//*[@class='postTitle']/a/text()
- 文章摘要内容：.//*[@class='postCon']/div/text()
- 文章链接：.//*[@class='postTitle']/a/@href

是不是一目了然？直接上XPath开始提取数据吧。

我们之前在cnblogSpider/items.py里定义了一个CnblogItem类。这里引入进来

from cnblogSpider.items import CnblogspiderItem

然后将我们得到的数据封装到一个CnblogspiderItem对象中，可以保存每个博客的属性：


form cnblogSpider.items import CnblogspiderItem

def parse(self, response):
        # print(response.body)
        # filename = "cnblog.html"
        # with open(filename, 'w') as f:
        #     f.write(response.body)

        #存放博客的集合
        items = []

        for each in response.xpath(".//*[@class='day']"):
            item = CnblogspiderItem()
            url = each.xpath('.//*[@class="postTitle"]/a/@href').extract()[0]
            title = each.xpath('.//*[@class="postTitle"]/a/text()').extract()[0]
            time = each.xpath('.//*[@class="dayTitle"]/a/text()').extract()[0]
            content = each.xpath('.//*[@class="postCon"]/div/text()').extract()[0]

            item['url'] = url
            item['title'] = title
            item['time'] = time
            item['content'] = content 
            
            items.append(item)

        #直接返回最后数据
        return items

我们暂时先不处理管道，后面会详细介绍。

保存数据

scrapy保存信息的最简单的方法主要有四种， -o 输出指定格式的文件，命令如下：

#json格式，默认为Unicode编码
scrapy crawl cnblog -o cnblog.json

#json lines格式，默认为Unicode编码
scrapy crawl cnblog -o cnblog.jsonl

#csv逗号表达式，可用excel打开
scrapy crawl cnblog -o cnblog.csv

#xml格式
scrapy crawl cnblog -o cnblog.xml

思考

如果将代码改成下面形式，结果完全一样

请思考yield在这里的作用：

form cnblogSpider.items import CnblogspiderItem

def parse(self, response):
        # print(response.body)
        # filename = "cnblog.html"
        # with open(filename, 'w') as f:
        #     f.write(response.body)

        #存放博客的集合
        # items = []

        for each in response.xpath(".//*[@class='day']"):
            item = CnblogspiderItem()
            url = each.xpath('.//*[@class="postTitle"]/a/@href').extract()[0]
            title = each.xpath('.//*[@class="postTitle"]/a/text()').extract()[0]
            time = each.xpath('.//*[@class="dayTitle"]/a/text()').extract()[0]
            content = each.xpath('.//*[@class="postCon"]/div/text()').extract()[0]

            item['url'] = url
            item['title'] = title
            item['time'] = time
            item['content'] = content 
            
            # items.append(item)
            #将获取到的数据交给pipelines
            yield item

        #直接返回最后数据,不经过pipelines
        #return items