接上篇 Scrapy学习(一) 安装 ,安装后,我们利用一个简单的例子来熟悉如何使用Scrapy创建一个爬虫项目。
创建一个Scrapy项目在已配置好的环境下输入
scrapy startproject dmoz
系统将在当前目录生成一个myproject的项目文件。该文件的目录结构如下
dmoz/ # 项目根目录 scrapy.cfg # 项目配置文件 dmoz/ # 项目模块 __init__.py items.py # 项目item文件,有点类似Django中的模型 pipelines.py # 项目pipelines文件,负责数据的操作和存储 settings.py # 项目的设置文件. spiders/ # 项目spider目录,编写的爬虫脚步都放此目录下 __init__.py
接下来我们以 dmoz.org 为爬取目标。开始变现简单的爬虫项目。
编写items在items.py中编写我们所需的数据的模型
from scrapy.item import Item, Field class Website(Item): name = Field() description = Field() url = Field()
这个模型用来填充我们爬取的数据
编写Spider在spiders文件下新建爬虫文件。这部分才是业务的核心部分。
首先创建一个继承 scrapy.spiders.Spider 的类
并且定义如下三个属性
name 标识spider start_urls 启动爬虫时进行爬取的url列表,默认为空 parse() 每个初始的url下载后的response都会传到该方法内,在这个方法里可以对数据进行处理。 from scrapy.spiders import Spider from scrapy.selector import Selector from dirbot.items import Website class DmozSpider(Spider): name = "dmoz" allowed_domains = ["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): sites = response.css('#site-list-content > div.site-item > div.title-and-desc') items = [] for site in sites: item = Website() item['name'] = site.css( 'a > div.site-title::text').extract_first().strip() item['url'] = site.xpath( 'a/@href').extract_first().strip() item['description'] = site.css( 'div.site-descr::text').extract_first().strip() items.append(item) return items其中值得注意的是,在 parse 方法内,我们可以用Selector选择器来提取网站中我们所需的数据。提取的方式有几种。
xpath() 传入xpath表达式获取节点值 css() 传入css表达式获取节点值 re() 传入正则表达式获取节点值 # 此方法本人未测试 运行并保存数据接下来我们运行爬虫,并将爬取的数据存储到json中
scrapy crawl dmoz -o items.json
其他在运行爬虫的过程中,我遇到了如下报错:
KeyError: ‘Spider not found: dmoz
这个是因为我的spider类中设置的name的值和我 scrapy crawl 运行的spider不一致导致的。
具体代码详见:
scrapy入门项目