初识Scrapy

为什么使用Scrapy？

我们可以用requests和beautifulsoup完成一个实用的爬虫，但如果想大规模爬取的话，我们需要学习Scrapy这个优秀Python框架，学习它的哲学思想，可以帮助我们更好写自己的爬虫。

事前准备

由于Windows存在许多莫名其妙的坑，所以建议安装anaconda这个优秀的python发行版，并且在anaconda目录添加到环境变量中。

1. 使用<code>create -n scrapy_app python=2 scrapy</code>创建一个预装scrapy的虚拟环境。
2. 在cmd下启动虚拟环境<code> activate scrapy_app</code>。
3. <code>conda install -c scrapinghub scrapy</code>安装其他必须库
4. <code>scrapy bench </code>验证能否正常工作

官方教程

1.新建项目<code>scrapy startproject tutorial</code>

这个命令将会创建如下内容：

2.定义Item

items用来装scraped data，也就是从网页提取的数据，是一类简单的Python字典。比如我们想从stackoverflow提取问题名、链接和描述。那么就可以在items.py做如下定义。

import scrapy
class DmozItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

3.第一个爬虫(spider)

爬虫是你自定义的类，用于让Scrapy从某个网站提取信息。你需要定义起始的URL（start_urls)，如何跟踪链接以及如何检索网页内容并进行提取。
我们可以在命令行中输入<code>scrapy genspider -t basic domz dmoz.org</code>创建一个爬虫，得到spiders/domz.py。
# -- coding: utf-8 --
import scrapy

class DomzSpider(scrapy.Spider):
    name = "domz" #用于定位爬虫
    allowed_domains = ["dmoz.org"] #限定域名，就不会爬到baidu.com了
    start_urls =[
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ] # 起始的URL

    def parse(self, response):
        filename = response.url.split("/")[-2]+'.html'
        with open(filename,'wb') as f:
            f.write(response.body) 
   # parse是Scarpy在请求未指定回调时，用于处理下载响应的默认回调。

进一步想了解scrapy.Spider的话看这里。

4.工作吧！爬虫

命令行下输入<code>scrapy crawl domz</code>。
结束后会在项目文件下载生成两个HTML文件。单单下载网页并没有意义，我们需要从网页从提取数据才有意义。

5.数据提取

Scrapy使用基于Xpath或CSS表达式的Scrapy Selectors提取网页数据。
让我们在shell下使用一下Scrapy Selectors吧。<code>scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"</code>

In [1]: response.xpath('//title')
Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]

In [2]: response.xpath('//title').extract()
Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']

In [3]: response.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]

In [4]: response.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']

In [5]: response.xpath('//title/text()').re('(\w+):')
Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']

因此，我们可以改写之前dmoz.py中的parse部分。

.......
def parse(self, response):
    for sel in response.xpath('//ui/li'):
        title = sel.xpath('a/text()').extract()
        link = sel.xpath('a/@href').extract()
        desc = sel.xpath('text()').extract()
        print title, link, desc

重新运行<code>scrapy crawl domz</code>
这里我们只是把结果打印出来，实际运行应该是把数据保存下来，首先需要用到之前定义的DmozItem先结构化数据， 继续改写。

from tutorial.items import DmozItem 
...
def parse(self, response):
    for sel in response.xpath('//ui/li'):
        item = DmozItem()
        item['title']' = sel.xpath('a/text()').extract()
        item['link'] = sel.xpath('a/@href').extract()
        item['desc'] = sel.xpath('text()').extract()
        yield item

重新运行<code>scrapy crawl domz</code>

6.链接跟踪

假设你不满足爬取起始页面，想继续爬取起始页面中你感兴趣的链接，那么我么就需要进一步改写之前的爬虫了。

def parse(self, response):
    for href in response.css("ul.directory.dir-col > li > a::attr('href')"):
        url = response.urljoin(href.extract())#构建绝对路径的URL
        yield scrapy.Request(url, callback=self.parse_dir_contents)

def parse_dir_contents(self, response):
    for sel in response.xpath('//ui/li'):
        item = DmozItem()
        item['title']' = sel.xpath('a/text()').extract()
        item['link'] = sel.xpath('a/@href').extract()
        item['desc'] = sel.xpath('text()').extract()
        yield item

这里我们使用parse函数获取网页的url，然后通过scrapy.Request对获取的每一个url调用parse_dir_contents函数，提取数据。

7.数据储存

数据储存有很多方式，可以放在数据库中，由于是教程，我们使用最简单的<code>scrapy crawl domz -o items.json</code>把数据放在json文件中。