scrapy入门经典.pptxVIP

Scrapy入门 scrapy简介 Scrapy，Python开发的一个快速,灵活，可扩展性高的web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy可以用于数据挖掘、监测和自动化测试。 Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider爬虫等，继承这些基类可以轻松实现自己的爬虫。 内容 安装scrapy 创建一个Scrapy项目 定义提取的Item 编写爬取网站的 spider 并提取 Item 编写 Item Pipeline 来存储提取到的Item(即数据) 安装 下列的安装步骤假定您已经安装好下列程序: Python 2.7 / Python Package: pip and setuptools. 现在 pip 依赖 setuptools ，如果未安装，则会自动安装setuptools 。 https://pip.pypa.io/en/latest/installing/ lxml. 大多数Linux发行版自带了lxml。如果缺失，请查看http://lxml.de/installation.html OpenSSL. 除了Windows之外的系统都已经提供。 您可以使用pip来安装Scrapy(推荐使用pip来安装Python package). 使用pip安装: pip install Scrapy 创建项目 在开始爬取之前，您必须创建一个新的Scrapy项目。 进入您打算存储代码的目录中，运行下列命令: scrapy startproject tutorial 该命令将会创建包含下列内容的 tutorial 目录: 这些文件分别是: scrapy.cfg: 项目的配置文件 tutorial/: 该项目的python模块。之后您将在此加入代码。 tutorial/items.py: 项目中的item文件. tutorial/pipelines.py: 项目中的pipelines文件. tutorial/settings.py: 项目的设置文件. tutorial/spiders/: 放置spider代码的目录. 定义Item Item 是保存爬取到的数据的容器；其使用方法和python字典类似， 并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。 类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field 的类属性来定义一个Item。 我们需要从dmoz中获取名字，url，以及网站的描述。 对此，在item中定义相应的字段。编辑 tutorial 目录中的 items.py 文件: 编写第一个爬虫(Spider) Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。 其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容， 提取生成 item 的方法。 为了创建一个Spider，您必须继承 scrapy.Spider 类， 且定义以下三个属性: name: 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。 start_urls: 包含了Spider在启动时进行爬取的url列表。 因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。 parse() 是spider的一个方法。 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。 以下为我们的第一个Spider代码，保存在 tutorial/spiders 目录下的 dmoz_spider.py 文件中: 爬取 进入项目的根目录，执行下列命令启动spider: scrapy crawl dmoz crawl dmoz 启动用于爬取  的spider，您将得到类似的输出: 提取Item Selectors选择器简介 从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 CSS 表达式机制: Scrapy Selectors 。 这里给出XPath表达式的例子及对应的含义: /html/head/title: 选择HTML文档中 head 标签内的 title 元素 /html/head/title/text(): 选择上面提到的 title 元素的文字 //td: 选择所有的 td 元素 //div[@class=mine]: 选择所有具有 class=mine 属性的 div 元素 提取数据 现在，