網(wǎng)絡(luò)爬蟲，是在網(wǎng)上進(jìn)行數(shù)據(jù)抓取的程序，使用它能夠抓取特定網(wǎng)頁的HTML數(shù)據(jù)。雖然我們利用一些庫開發(fā)一個(gè)爬蟲程序，但是使用框架可以大大提高效率，縮短開發(fā)時(shí)間。Scrapy是一個(gè)使用Python編寫的，輕量級(jí)的，簡(jiǎn)單輕巧，并且使用起來非常的方便。使用Scrapy可以很方便的完成網(wǎng)上數(shù)據(jù)的采集工作，它為我們完成了大量的工作，而不需要自己費(fèi)大力氣去開發(fā)。
首先先要回答一個(gè)問題。
問：把網(wǎng)站裝進(jìn)爬蟲里，總共分幾步？
答案很簡(jiǎn)單，四步：
新建項(xiàng)目 (Project)：新建一個(gè)新的爬蟲項(xiàng)目
明確目標(biāo)（Items）：明確你想要抓取的目標(biāo)
制作爬蟲（Spider）：制作爬蟲開始爬取網(wǎng)頁
存儲(chǔ)內(nèi)容（Pipeline）：設(shè)計(jì)管道存儲(chǔ)爬取內(nèi)容
好的，基本流程既然確定了，那接下來就一步一步的完成就可以了。
1.新建項(xiàng)目（Project）
在空目錄下按住Shift鍵右擊，選擇“在此處打開命令窗口”，輸入一下命令：
其中，tutorial為項(xiàng)目名稱。
可以看到將會(huì)創(chuàng)建一個(gè)tutorial文件夾，目錄結(jié)構(gòu)如下：
下面來簡(jiǎn)單介紹一下各個(gè)文件的作用：
scrapy.cfg：項(xiàng)目的配置文件
tutorial/：項(xiàng)目的Python模塊，將會(huì)從這里引用代碼
tutorial/items.py：項(xiàng)目的items文件
tutorial/pipelines.py：項(xiàng)目的pipelines文件
tutorial/settings.py：項(xiàng)目的設(shè)置文件
tutorial/spiders/：存儲(chǔ)爬蟲的目錄
2.明確目標(biāo)（Item）
在Scrapy中，items是用來加載抓取內(nèi)容的容器，有點(diǎn)像Python中的Dic，也就是字典，但是提供了一些額外的保護(hù)減少錯(cuò)誤。
一般來說，item可以用scrapy.item.Item類來創(chuàng)建，并且用scrapy.item.Field對(duì)象來定義屬性（可以理解成類似于ORM的映射關(guān)系）。
接下來，我們開始來構(gòu)建item模型（model）。
首先，我們想要的內(nèi)容有：
名稱（name）
鏈接（url）
描述（description）
修改tutorial目錄下的items.py文件，在原本的class后面添加我們自己的class。
因?yàn)橐moz.org網(wǎng)站的內(nèi)容，所以我們可以將其命名為DmozItem：
剛開始看起來可能會(huì)有些看不懂，但是定義這些item能讓你用其他組件的時(shí)候知道你的 items到底是什么。
可以把Item簡(jiǎn)單的理解成封裝好的類對(duì)象。
3.制作爬蟲（Spider）
制作爬蟲，總體分兩步：先爬再取。
也就是說，首先你要獲取整個(gè)網(wǎng)頁的所有內(nèi)容，然后再取出其中對(duì)你有用的部分。
3.1爬
Spider是用戶自己編寫的類，用來從一個(gè)域（或域組）中抓取信息。
他們定義了用于下載的URL列表、跟蹤鏈接的方案、解析網(wǎng)頁內(nèi)容的方式，以此來提取items。
要建立一個(gè)Spider，你必須用scrapy.spider.BaseSpider創(chuàng)建一個(gè)子類，并確定三個(gè)強(qiáng)制的屬性：
name：爬蟲的識(shí)別名稱，必須是唯一的，在不同的爬蟲中你必須定義不同的名字。
start_urls：爬取的URL列表。爬蟲從這里開始抓取數(shù)據(jù)，所以，第一次下載的數(shù)據(jù)將會(huì)從這些urls開始。其他子URL將會(huì)從這些起始URL中繼承性生成。
parse()：解析的方法，調(diào)用的時(shí)候傳入從每一個(gè)URL傳回的Response對(duì)象作為唯一參數(shù)，負(fù)責(zé)解析并匹配抓取的數(shù)據(jù)(解析為item)，跟蹤更多的URL。
這里可以參考寬度爬蟲教程中提及的思想來幫助理解，教程傳送：[Java] 知乎下巴第5集：使用HttpClient工具包和寬度爬蟲。
也就是把Url存儲(chǔ)下來并依此為起點(diǎn)逐步擴(kuò)散開去，抓取所有符合條件的網(wǎng)頁Url存儲(chǔ)起來繼續(xù)爬取。
下面我們來寫第一只爬蟲，命名為dmoz_spider.py，保存在tutorial/spiders目錄下。
dmoz_spider.py代碼如下：
allow_domains是搜索的域名范圍，也就是爬蟲的約束區(qū)域，規(guī)定爬蟲只爬取這個(gè)域名下的網(wǎng)頁。
從parse函數(shù)可以看出，將鏈接的最后兩個(gè)地址取出作為文件名進(jìn)行存儲(chǔ)。
然后運(yùn)行一下看看，在tutorial目錄下按住shift右擊，在此處打開命令窗口，輸入：
運(yùn)行結(jié)果如圖：
報(bào)錯(cuò)了：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)
運(yùn)行第一個(gè)Scrapy項(xiàng)目就報(bào)錯(cuò)，真是命運(yùn)多舛。
應(yīng)該是出了編碼問題，谷歌了一下找到了解決方案：
在python的Lib/site-packages文件夾下新建一個(gè)sitecustomize.py：
再次運(yùn)行，OK，問題解決了，看一下結(jié)果：
最后一句INFO: Closing spider (finished)表明爬蟲已經(jīng)成功運(yùn)行并且自行關(guān)閉了。
包含 [dmoz]的行 ，那對(duì)應(yīng)著我們的爬蟲運(yùn)行的結(jié)果。
可以看到start_urls中定義的每個(gè)URL都有日志行。
還記得我們的start_urls嗎？
http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources
因?yàn)檫@些URL是起始頁面，所以他們沒有引用(referrers)，所以在它們的每行末尾你會(huì)看到 (referer: <None>)。
在parse 方法的作用下，兩個(gè)文件被創(chuàng)建：分別是 Books 和 Resources，這兩個(gè)文件中有URL的頁面內(nèi)容。
那么在剛剛的電閃雷鳴之中到底發(fā)生了什么呢？
首先，Scrapy為爬蟲的 start_urls屬性中的每個(gè)URL創(chuàng)建了一個(gè) scrapy.http.Request 對(duì)象 ，并將爬蟲的parse 方法指定為回調(diào)函數(shù)。
然后，這些 Request被調(diào)度并執(zhí)行，之后通過parse()方法返回scrapy.http.Response對(duì)象，并反饋給爬蟲。
3.2取
爬取整個(gè)網(wǎng)頁完畢，接下來的就是的取過程了。
光存儲(chǔ)一整個(gè)網(wǎng)頁還是不夠用的。
在基礎(chǔ)的爬蟲里，這一步可以用正則表達(dá)式來抓。
在Scrapy里，使用一種叫做 XPath selectors的機(jī)制，它基于 XPath表達(dá)式。
如果你想了解更多selectors和其他機(jī)制你可以查閱資料：點(diǎn)我點(diǎn)我
這是一些XPath表達(dá)式的例子和他們的含義
/html/head/title: 選擇HTML文檔<head>元素下面的<title> 標(biāo)簽。
/html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內(nèi)容
//td: 選擇所有 <td> 元素
//div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標(biāo)簽元素
以上只是幾個(gè)使用XPath的簡(jiǎn)單例子，但是實(shí)際上XPath非常強(qiáng)大。
可以參照W3C教程：點(diǎn)我點(diǎn)我。
為了方便使用XPaths，Scrapy提供XPathSelector 類，有兩種可以選擇，HtmlXPathSelector(HTML數(shù)據(jù)解析)和XmlXPathSelector(XML數(shù)據(jù)解析)。
必須通過一個(gè) Response 對(duì)象對(duì)他們進(jìn)行實(shí)例化操作。
你會(huì)發(fā)現(xiàn)Selector對(duì)象展示了文檔的節(jié)點(diǎn)結(jié)構(gòu)。因此，第一個(gè)實(shí)例化的selector必與根節(jié)點(diǎn)或者是整個(gè)目錄有關(guān) 。
在Scrapy里面，Selectors 有四種基礎(chǔ)的方法（點(diǎn)擊查看API文檔）：
xpath()：返回一系列的selectors，每一個(gè)select表示一個(gè)xpath參數(shù)表達(dá)式選擇的節(jié)點(diǎn)
css()：返回一系列的selectors，每一個(gè)select表示一個(gè)css參數(shù)表達(dá)式選擇的節(jié)點(diǎn)
extract()：返回一個(gè)unicode字符串，為選中的數(shù)據(jù)
re()：返回一串一個(gè)unicode字符串，為使用正則表達(dá)式抓取出來的內(nèi)容
3.3xpath實(shí)驗(yàn)
下面我們?cè)赟hell里面嘗試一下Selector的用法。
實(shí)驗(yàn)的網(wǎng)址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
熟悉完了實(shí)驗(yàn)的小白鼠，接下來就是用Shell爬取網(wǎng)頁了。
進(jìn)入到項(xiàng)目的頂層目錄，也就是第一層tutorial文件夾下，在cmd中輸入：
回車后可以看到如下的內(nèi)容：
在Shell載入后，你將獲得response回應(yīng)，存儲(chǔ)在本地變量 response中。
所以如果你輸入response.body，你將會(huì)看到response的body部分，也就是抓取到的頁面內(nèi)容：
或者輸入response.headers 來查看它的 header部分：
現(xiàn)在就像是一大堆沙子握在手里，里面藏著我們想要的金子，所以下一步，就是用篩子搖兩下，把雜質(zhì)出去，選出關(guān)鍵的內(nèi)容。
selector就是這樣一個(gè)篩子。
在舊的版本中，Shell實(shí)例化兩種selectors，一個(gè)是解析HTML的 hxs 變量，一個(gè)是解析XML 的 xxs 變量。
而現(xiàn)在的Shell為我們準(zhǔn)備好的selector對(duì)象，sel，可以根據(jù)返回的數(shù)據(jù)類型自動(dòng)選擇最佳的解析方案(XML or HTML)。
然后我們來搗弄一下！~
要徹底搞清楚這個(gè)問題，首先先要知道，抓到的頁面到底是個(gè)什么樣子。
比如，我們要抓取網(wǎng)頁的標(biāo)題，也就是<title>這個(gè)標(biāo)簽：
可以輸入：
結(jié)果就是：
這樣就能把這個(gè)標(biāo)簽取出來了，用extract()和text()還可以進(jìn)一步做處理。
備注：簡(jiǎn)單的羅列一下有用的xpath路徑表達(dá)式：
表達(dá)式 描述
nodename 選取此節(jié)點(diǎn)的所有子節(jié)點(diǎn)。
/ 從根節(jié)點(diǎn)選取。
// 從匹配選擇的當(dāng)前節(jié)點(diǎn)選擇文檔中的節(jié)點(diǎn)，而不考慮它們的位置。
. 選取當(dāng)前節(jié)點(diǎn)。
.. 選取當(dāng)前節(jié)點(diǎn)的父節(jié)點(diǎn)。
@ 選取屬性。
全部的實(shí)驗(yàn)結(jié)果如下，In[i]表示第i次實(shí)驗(yàn)的輸入，Out[i]表示第i次結(jié)果的輸出（建議大家參照：W3C教程）：
當(dāng)然title這個(gè)標(biāo)簽對(duì)我們來說沒有太多的價(jià)值，下面我們就來真正抓取一些有意義的東西。
使用火狐的審查元素我們可以清楚地看到，我們需要的東西如下：
我們可以用如下代碼來抓取這個(gè)<li>標(biāo)簽：
從<li>標(biāo)簽中，可以這樣獲取網(wǎng)站的描述：
可以這樣獲取網(wǎng)站的標(biāo)題：
可以這樣獲取網(wǎng)站的超鏈接：
當(dāng)然，前面的這些例子是直接獲取屬性的方法。
我們注意到xpath返回了一個(gè)對(duì)象列表，
那么我們也可以直接調(diào)用這個(gè)列表中對(duì)象的屬性挖掘更深的節(jié)點(diǎn)
（參考：Nesting selectors andWorking with relative XPaths in the Selectors）：
sites = sel.xpath('//ul/li')
for site in sites:
title = site.xpath('a/text()').extract()
link = site.xpath('a/@href').extract()
desc = site.xpath('text()').extract()
print title, link, desc
3.4xpath實(shí)戰(zhàn)
我們用shell做了這么久的實(shí)戰(zhàn)，最后我們可以把前面學(xué)習(xí)到的內(nèi)容應(yīng)用到dmoz_spider這個(gè)爬蟲中。
在原爬蟲的parse函數(shù)中做如下修改：
注意，我們從scrapy.selector中導(dǎo)入了Selector類，并且實(shí)例化了一個(gè)新的Selector對(duì)象。這樣我們就可以像Shell中一樣操作xpath了。
我們來試著輸入一下命令運(yùn)行爬蟲（在tutorial根目錄里面）：
運(yùn)行結(jié)果如下：
果然，成功的抓到了所有的標(biāo)題。但是好像不太對(duì)啊，怎么Top，Python這種導(dǎo)航欄也抓取出來了呢？
我們只需要紅圈中的內(nèi)容：
看來是我們的xpath語句有點(diǎn)問題，沒有僅僅把我們需要的項(xiàng)目名稱抓取出來，也抓了一些無辜的但是xpath語法相同的元素。
審查元素我們發(fā)現(xiàn)我們需要的<ul>具有class='directory-url'的屬性，
那么只要把xpath語句改成sel.xpath('//ul[@class="directory-url"]/li')即可
將xpath語句做如下調(diào)整：
成功抓出了所有的標(biāo)題，絕對(duì)沒有濫殺無辜：
3.5使用Item
接下來我們來看一看如何使用Item。
前面我們說過，Item 對(duì)象是自定義的python字典，可以使用標(biāo)準(zhǔn)字典語法獲取某個(gè)屬性的值：
作為一只爬蟲，Spiders希望能將其抓取的數(shù)據(jù)存放到Item對(duì)象中。為了返回我們抓取數(shù)據(jù)，spider的最終代碼應(yīng)當(dāng)是這樣:
4.存儲(chǔ)內(nèi)容（Pipeline）
保存信息的最簡(jiǎn)單的方法是通過Feed exports，主要有四種：JSON，JSON lines，CSV，XML。
我們將結(jié)果用最常用的JSON導(dǎo)出，命令如下：
-o 后面是導(dǎo)出文件名，-t 后面是導(dǎo)出類型。
然后來看一下導(dǎo)出的結(jié)果，用文本編輯器打開json文件即可（為了方便顯示，在item中刪去了除了title之外的屬性）：
因?yàn)檫@個(gè)只是一個(gè)小型的例子，所以這樣簡(jiǎn)單的處理就可以了。
如果你想用抓取的items做更復(fù)雜的事情，你可以寫一個(gè) Item Pipeline(條目管道)。
這個(gè)我們以后再慢慢玩^_^
以上便是python爬蟲框架Scrapy制作爬蟲抓取網(wǎng)站內(nèi)容的全部過程了，非常的詳盡吧，希望能夠?qū)Υ蠹矣兴鶐椭行枰脑捯部梢院臀衣?lián)系，一起進(jìn)步
新聞熱點(diǎn)
疑難解答
圖片精選
