利用Scrapy爬取格言网信息

实验内容

使用scrapy爬取格言网的内容

实验环境

操作系统：win7 32位操作系统
python版本：python3.6.5

实验步骤

1. 观察网页结构，制定爬取逻辑

使用Chrome浏览器打开格言网，使用开发者工具观察网页结构，获取相应元素的xpath路径，并观察作者信息页面的url特点。

格言列表的网页结构1
下一页的xpath路径
作者信息页的结构

通过观察网页，制定爬取逻辑如下。
对格言的爬取逻辑：

1. 爬取每一个列表项；
2. 提取列表项中的格言、作者、标签信息；
3. 提取下一页的url链接；
4. 跳转访问下一页。

对作者信息的爬取逻辑：

1. 利用CrawlSpider，通过对url的特点加以限定，实行全站爬取作者信息；
2. 爬取作者的姓名、出生日期、出生地和简介。

2. 主要代码

在命令行中键入以下命令新建scrapy项目

scrapy startproject scarpy_quote

最终此次项目的目录结构如下：

项目目录结构
items.py的详细代码：

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

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class ScrapyQuoteItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    quotes = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()
    bornDate = scrapy.Field()
    bornLocation = scrapy.Field()
    description = scrapy.Field()

quote.py的详细代码：

# -*- coding: utf-8 -*-
import scrapy
import re
from scrapy_quote.items import ScrapyQuoteItem

class quoteSpider(scrapy.Spider):
    name = 'quote'
    allowed_domains = ['quotes.toscrape.com']
    start_urls = ['http://quotes.toscrape.com/']

    def parse(self, response):
        re_s = re.compile('\s')
        for line in response.xpath('//div[@class="quote"]'):
            item = ScrapyQuoteItem()
            item['quotes'] = re_s.sub('', line.xpath('./span[@class="text"]/text()').extract_first())
            item['author'] = re_s.sub(' ', line.xpath('./span[2]/small[@class="author"]/text()').extract_first())
            item['tags'] = line.xpath('./div[@class="tags"]/a[@class="tag"]/text()').extract()
            yield item
        
        next_page = response.xpath('//nav/ul[@class="pager"]/li[@class="next"]/a/@href').extract_first()
        if next_page:
            next_page = response.urljoin(next_page)
            yield scrapy.Request(next_page, callback=self.parse)

author.py的详细代码：

# -*- coding: utf-8 -*-
import scrapy
from scrapy_quote.items import ScrapyQuoteItem
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

class quoteSpider(CrawlSpider):
    name = 'author'
    allowed_domains = ['quotes.toscrape.com']
    start_urls = ['http://quotes.toscrape.com']
    rules = (
        Rule(LinkExtractor(allow=(r'http://quotes.toscrape.com/page/\d/'))),
        Rule(
            LinkExtractor(allow=(r'http://quotes.toscrape.com/author/.*?')), 
            callback='parse_item'
            ),
    )
    # 第一个rule是限定可以访问列表页，第二个rule是限定，当匹配
    # 作者信息页时，调用parse_item对信息页进行解析

    def parse_item(self, response):
        item = ScrapyQuoteItem()
        item['author'] = response.xpath('//h3[@class="author-title"]/text()').extract_first()
        item['bornDate'] = response.xpath('//span[@class="author-born-date"]/text()').extract_first()
        item['bornLocation'] = response.xpath('//span[@class="author-born-location"]/text()').extract_first()
        item['description'] = response.xpath('//div[@class="author-description"]/text()').extract_first()
        yield item

为了不直接在json文件中输出unicode编码，在settings.py中加入：

FEED_EXPORT_ENCODING = 'utf-8'

实验结果

1. 爬取作者信息

如下图，最终一共爬取到44条作者信息

作者信息爬取结果
作者信息的json格式
作者信息爬取结果保存到JSon文件

2. 爬取格言信息

如下图，最终一共爬取到100条格言信息

格言信息爬取结果
格言信息的json格式
格言信息爬取结果保存到json文件