scrapy 爬虫 环境搭建入门（一）

Scrapy介绍

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
所谓网络爬虫，就是一个在网上到处或定向抓取数据的程序，当然，这种说法不够专业，更专业的描述就是，抓取特定网站网页的HTML数据。抓取网页的一般方法是，定义一个入口页面，然后一般一个页面会有其他页面的URL，于是从当前页面获取到这些URL加入到爬虫的抓取队列中，然后进入到新页面后再递归的进行上述的操作，其实说来就跟深度遍历或广度遍历一样。
Scrapy 使用 Twisted这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。

整体架构

• 引擎(Scrapy Engine)，用来处理整个系统的数据流处理，触发事务。
• 调度器(Scheduler)，用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。
• 下载器(Downloader)，用于下载网页内容，并将网页内容返回给蜘蛛。
• 蜘蛛(Spiders)，蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
• 项目管道(Item Pipeline)，负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)，位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 蜘蛛中间件(Spider Middlewares)，介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middlewares)，介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

爬取流程

上图绿线是数据流向，首先从初始URL开始，Scheduler会将其交给Downloader进行下载，下载之后会交给Spider进行分析，Spider分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回Scheduler；另一种是需要保存的数据，它们则被送到Item Pipeline那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。

数据流

Scrapy中的数据流由执行引擎控制，其过程如下:

1. 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3. 引擎向调度器请求下一个要爬取的URL。
4. 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8. 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
9. (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

文／JasonDing（简书作者）
原文链接：http://www.jianshu.com/p/a8aad3bf4dc4
著作权归作者所有，转载请联系作者获得授权，并标注“简书作者”。

我们使用dmoz.org这个网站来作为小抓抓一展身手的对象。

首先先要回答一个问题。

问：把网站装进爬虫里，总共分几步？

答案很简单，四步：

• 新建项目 (Project)：新建一个新的爬虫项目
• 明确目标（Items）：明确你想要抓取的目标
• 制作爬虫（Spider）：制作爬虫开始爬取网页
• 存储内容（Pipeline）：设计管道存储爬取内容

好的，基本流程既然确定了，那接下来就一步一步的完成就可以了。

1.新建项目（Project）

在空目录下按住Shift键右击，选择“在此处打开命令窗口”，输入一下命令：

1. scrapy startproject tutorial  

其中，tutorial为项目名称。

可以看到将会创建一个tutorial文件夹，目录结构如下：

1. tutorial/  
2.     scrapy.cfg  
3.     tutorial/  
4.         __init__.py  
5.         items.py  
6.         pipelines.py  
7.         settings.py  
8.         spiders/  
9.             __init__.py  
10.             ...  

下面来简单介绍一下各个文件的作用：

• scrapy.cfg：项目的配置文件
• tutorial/：项目的Python模块，将会从这里引用代码
• tutorial/items.py：项目的items文件
• tutorial/pipelines.py：项目的pipelines文件
• tutorial/settings.py：项目的设置文件
• tutorial/spiders/：存储爬虫的目录

2.明确目标（Item）

在Scrapy中，items是用来加载抓取内容的容器，有点像Python中的Dic，也就是字典，但是提供了一些额外的保护减少错误。

一般来说，item可以用scrapy.item.Item类来创建，并且用scrapy.item.Field对象来定义属性（可以理解成类似于ORM的映射关系）。

接下来，我们开始来构建item模型（model）。

首先，我们想要的内容有：

• 名称（name）
• 链接（url）
• 描述（description）

修改tutorial目录下的items.py文件，在原本的class后面添加我们自己的class。

因为要抓dmoz.org网站的内容，所以我们可以将其命名为DmozItem：

1. # Define here the models for your scraped items  
2. #  
3. # See documentation in:  
4. # http://doc.scrapy.org/en/latest/topics/items.html  
5.   
6. from scrapy.item import Item, Field  
7.   
8. class TutorialItem(Item):  
9.     # define the fields for your item here like:  
10.     # name = Field()  
11.     pass  
12.   
13. class DmozItem(Item):  
14.     title = Field()  
15.     link = Field()  
16.     desc = Field()  

刚开始看起来可能会有些看不懂，但是定义这些item能让你用其他组件的时候知道你的 items到底是什么。

可以把Item简单的理解成封装好的类对象。

3.制作爬虫（Spider）

制作爬虫，总体分两步：先爬再取。

也就是说，首先你要获取整个网页的所有内容，然后再取出其中对你有用的部分。

3.1爬

Spider是用户自己编写的类，用来从一个域（或域组）中抓取信息。

他们定义了用于下载的URL列表、跟踪链接的方案、解析网页内容的方式，以此来提取items。

要建立一个Spider，你必须用scrapy.spider.BaseSpider创建一个子类，并确定三个强制的属性：

• name：爬虫的识别名称，必须是唯一的，在不同的爬虫中你必须定义不同的名字。
• start_urls：爬取的URL列表。爬虫从这里开始抓取数据，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()：解析的方法，调用的时候传入从每一个URL传回的Response对象作为唯一参数，负责解析并匹配抓取的数据(解析为item)，跟踪更多的URL。

这里可以参考宽度爬虫教程中提及的思想来帮助理解，教程传送：[Java] 知乎下巴第5集：使用HttpClient工具包和宽度爬虫。

也就是把Url存储下来并依此为起点逐步扩散开去，抓取所有符合条件的网页Url存储起来继续爬取。

下面我们来写第一只爬虫，命名为dmoz_spider.py，保存在tutorial\spiders目录下。

dmoz_spider.py代码如下：

1. from scrapy.spider import Spider  
2.   
3. class DmozSpider(Spider):  
4.     name = "dmoz"  
5.     allowed_domains = ["dmoz.org"]  
6.     start_urls = [  
7.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
9.     ]  
10.   
11.     def parse(self, response):  
12.         filename = response.url.split("/")[-2]  
13.         open(filename, 'wb').write(response.body)  

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。

从parse函数可以看出，将链接的最后两个地址取出作为文件名进行存储。

然后运行一下看看，在tutorial目录下按住shift右击，在此处打开命令窗口，输入：

1. scrapy crawl dmoz  

运行结果如图：

报错了：

UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)

运行第一个Scrapy项目就报错，真是命运多舛。

应该是出了编码问题，谷歌了一下找到了解决方案：

在python的Lib\site-packages文件夹下新建一个sitecustomize.py：

1. import sys    
2. sys.setdefaultencoding('gb2312')    

再次运行，OK，问题解决了，看一下结果：

最后一句INFO: Closing spider (finished)表明爬虫已经成功运行并且自行关闭了。

包含 [dmoz]的行 ，那对应着我们的爬虫运行的结果。

可以看到start_urls中定义的每个URL都有日志行。

还记得我们的start_urls吗？

http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources

因为这些URL是起始页面，所以他们没有引用(referrers)，所以在它们的每行末尾你会看到 (referer: <None>)。

在parse 方法的作用下，两个文件被创建：分别是 Books 和 Resources，这两个文件中有URL的页面内容。

那么在刚刚的电闪雷鸣之中到底发生了什么呢？

首先，Scrapy为爬虫的 start_urls属性中的每个URL创建了一个 scrapy.http.Request 对象 ，并将爬虫的parse 方法指定为回调函数。

然后，这些 Request被调度并执行，之后通过parse()方法返回scrapy.http.Response对象，并反馈给爬虫。

3.2取

爬取整个网页完毕，接下来的就是的取过程了。

光存储一整个网页还是不够用的。

在基础的爬虫里，这一步可以用正则表达式来抓。

在Scrapy里，使用一种叫做 XPath selectors的机制，它基于 XPath表达式。

如果你想了解更多selectors和其他机制你可以查阅资料：点我点我

这是一些XPath表达式的例子和他们的含义

• /html/head/title: 选择HTML文档<head>元素下面的<title> 标签。
• /html/head/title/text(): 选择前面提到的<title> 元素下面的文本内容
• //td: 选择所有 <td> 元素
• //div[@class="mine"]: 选择所有包含 class="mine" 属性的div 标签元素

以上只是几个使用XPath的简单例子，但是实际上XPath非常强大。

可以参照W3C教程：点我点我。

为了方便使用XPaths，Scrapy提供XPathSelector 类，有两种可以选择，HtmlXPathSelector(HTML数据解析)和XmlXPathSelector(XML数据解析)。

必须通过一个 Response 对象对他们进行实例化操作。

你会发现Selector对象展示了文档的节点结构。因此，第一个实例化的selector必与根节点或者是整个目录有关 。

在Scrapy里面，Selectors 有四种基础的方法（点击查看API文档）：

• xpath()：返回一系列的selectors，每一个select表示一个xpath参数表达式选择的节点
• css()：返回一系列的selectors，每一个select表示一个css参数表达式选择的节点
• extract()：返回一个unicode字符串，为选中的数据
• re()：返回一串一个unicode字符串，为使用正则表达式抓取出来的内容

3.3xpath实验

下面我们在Shell里面尝试一下Selector的用法。

实验的网址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/

熟悉完了实验的小白鼠，接下来就是用Shell爬取网页了。

进入到项目的顶层目录，也就是第一层tutorial文件夹下，在cmd中输入：

1. scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/  

回车后可以看到如下的内容：

在Shell载入后，你将获得response回应，存储在本地变量 response中。

所以如果你输入response.body，你将会看到response的body部分，也就是抓取到的页面内容：

或者输入response.headers 来查看它的 header部分：

现在就像是一大堆沙子握在手里，里面藏着我们想要的金子，所以下一步，就是用筛子摇两下，把杂质出去，选出关键的内容。

selector就是这样一个筛子。

在旧的版本中，Shell实例化两种selectors，一个是解析HTML的 hxs 变量，一个是解析XML 的 xxs 变量。

而现在的Shell为我们准备好的selector对象，sel，可以根据返回的数据类型自动选择最佳的解析方案(XML or HTML)。

然后我们来捣弄一下！~

要彻底搞清楚这个问题，首先先要知道，抓到的页面到底是个什么样子。

比如，我们要抓取网页的标题，也就是<title>这个标签：

可以输入：

1. sel.xpath('//title')  

结果就是：

这样就能把这个标签取出来了，用extract()和text()还可以进一步做处理。

备注：简单的罗列一下有用的xpath路径表达式：

全部的实验结果如下，In[i]表示第i次实验的输入，Out[i]表示第i次结果的输出（建议大家参照：W3C教程）：

1. In [1]: sel.xpath('//title')  
2. Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]  
3.   
4. In [2]: sel.xpath('//title').extract()  
5. Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']  
6.   
7. In [3]: sel.xpath('//title/text()')  
8. Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]  
9.   
10. In [4]: sel.xpath('//title/text()').extract()  
11. Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']  
12.   
13. In [5]: sel.xpath('//title/text()').re('(\w+):')  
14. Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']  

当然title这个标签对我们来说没有太多的价值，下面我们就来真正抓取一些有意义的东西。

使用火狐的审查元素我们可以清楚地看到，我们需要的东西如下：

我们可以用如下代码来抓取这个<li>标签：

1. sel.xpath('//ul/li')  

从<li>标签中，可以这样获取网站的描述：

1. sel.xpath('//ul/li/text()').extract()  

可以这样获取网站的标题：

1. sel.xpath('//ul/li/a/text()').extract()  

可以这样获取网站的超链接：

1. sel.xpath('//ul/li/a/@href').extract()  

当然，前面的这些例子是直接获取属性的方法。

我们注意到xpath返回了一个对象列表，

那么我们也可以直接调用这个列表中对象的属性挖掘更深的节点

（参考：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实战

我们用shell做了这么久的实战，最后我们可以把前面学习到的内容应用到dmoz_spider这个爬虫中。

在原爬虫的parse函数中做如下修改：

1. from scrapy.spider import Spider  
2. from scrapy.selector import Selector  
3.   
4. class DmozSpider(Spider):  
5.     name = "dmoz"  
6.     allowed_domains = ["dmoz.org"]  
7.     start_urls = [  
8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
10.     ]  
11.   
12.     def parse(self, response):  
13.         sel = Selector(response)  
14.         sites = sel.xpath('//ul/li')  
15.         for site in sites:  
16.             title = site.xpath('a/text()').extract()  
17.             link = site.xpath('a/@href').extract()  
18.             desc = site.xpath('text()').extract()  
19.             print title  

注意，我们从scrapy.selector中导入了Selector类，并且实例化了一个新的Selector对象。这样我们就可以像Shell中一样操作xpath了。

我们来试着输入一下命令运行爬虫（在tutorial根目录里面）：

scrapy crawl dmoz

运行结果如下：

果然，成功的抓到了所有的标题。但是好像不太对啊，怎么Top，Python这种导航栏也抓取出来了呢？

我们只需要红圈中的内容：

看来是我们的xpath语句有点问题，没有仅仅把我们需要的项目名称抓取出来，也抓了一些无辜的但是xpath语法相同的元素。

审查元素我们发现我们需要的<ul>具有class='directory-url'的属性，

那么只要把xpath语句改成sel.xpath('//ul[@class="directory-url"]/li')即可

将xpath语句做如下调整：

1. from scrapy.spider import Spider  
2. from scrapy.selector import Selector  
3.   
4. class DmozSpider(Spider):  
5.     name = "dmoz"  
6.     allowed_domains = ["dmoz.org"]  
7.     start_urls = [  
8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
10.     ]  
11.   
12.     def parse(self, response):  
13.         sel = Selector(response)  
14.         sites = sel.xpath('//ul[@class="directory-url"]/li')  
15.         for site in sites:  
16.             title = site.xpath('a/text()').extract()  
17.             link = site.xpath('a/@href').extract()  
18.             desc = site.xpath('text()').extract()  
19.             print title  

成功抓出了所有的标题，绝对没有滥杀无辜：

3.5使用Item

接下来我们来看一看如何使用Item。

前面我们说过，Item 对象是自定义的python字典，可以使用标准字典语法获取某个属性的值：

1. >>> item = DmozItem()  
2. >>> item['title'] = 'Example title'  
3. >>> item['title']  
4. 'Example title'  

作为一只爬虫，Spiders希望能将其抓取的数据存放到Item对象中。为了返回我们抓取数据，spider的最终代码应当是这样:

1. from scrapy.spider import Spider  
2. from scrapy.selector import Selector  
3.   
4. from tutorial.items import DmozItem  
5.   
6. class DmozSpider(Spider):  
7.     name = "dmoz"  
8.     allowed_domains = ["dmoz.org"]  
9.     start_urls = [  
10.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
11.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
12.     ]  
13.   
14.     def parse(self, response):  
15.         sel = Selector(response)  
16.         sites = sel.xpath('//ul[@class="directory-url"]/li')  
17.         items = []  
18.         for site in sites:  
19.             item = DmozItem()  
20.             item['title'] = site.xpath('a/text()').extract()  
21.             item['link'] = site.xpath('a/@href').extract()  
22.             item['desc'] = site.xpath('text()').extract()  
23.             items.append(item)  
24.         return items  

4.存储内容（Pipeline）

保存信息的最简单的方法是通过Feed exports，主要有四种：JSON，JSON lines，CSV，XML。

我们将结果用最常用的JSON导出，命令如下：

1. scrapy crawl dmoz -o items.json -t json  

-o 后面是导出文件名，-t 后面是导出类型。

然后来看一下导出的结果，用文本编辑器打开json文件即可（为了方便显示，在item中删去了除了title之外的属性）：

因为这个只是一个小型的例子，所以这样简单的处理就可以了。

如果你想用抓取的items做更复杂的事情，你可以写一个 Item Pipeline(条目管道)。

这个我们以后再慢慢玩^_^