Scrapy Tutorial

在本教程中,我们假设您的系统上已经安装了Scrapy. 如果不是这种情况,请参阅《 安装指南》 .

我们将删除quotes.toscrape.com ,该网站列出了著名作家的名言.

本教程将指导您完成以下任务:

  1. 创建一个新的Scrapy项目
  2. Writing a spider to crawl a site and extract data
  3. 使用命令行导出抓取的数据
  4. 更改蜘蛛以递归地跟随链接
  5. 使用蜘蛛参数

Scrapy用Python编写. 如果您是该语言的新手,则可能首先要了解该语言的外观,以充分利用Scrapy.

如果您已经熟悉其他语言,并且想快速学习Python,那么Python教程是一个很好的资源.

如果您不熟悉编程并且想开始使用Python,那么以下书籍可能对您有用:

You can also take a look at this list of Python resources for non-programmers, as well as the suggested resources in the learnpython-subreddit .

Creating a project

在开始抓取之前,您将必须设置一个新的Scrapy项目. 输入要存储代码并运行的目录:

scrapy startproject tutorial

这将创建一个包含以下内容的tutorial目录:

tutorial/
    scrapy.cfg            # deploy configuration file

    tutorial/             # project's Python module, you'll import your code from here
        __init__.py

        items.py          # project items definition file

        middlewares.py    # project middlewares file

        pipelines.py      # project pipelines file

        settings.py       # project settings file

        spiders/          # a directory where you'll later put your spiders
            __init__.py

Our first Spider

蜘蛛是您定义的类,Scrapy用于从网站(或一组网站)中获取信息. 他们必须将Spider子类化,并定义最初的请求,可以选择如何跟随页面中的链接,以及如何解析下载的页面内容以提取数据.

这是我们第一个Spider的代码. 将其保存在项目中tutorial/spiders目录下的一个名为quotes_spider.py的文件中:

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"

    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)

如您所见,我们的Spider子类scrapy.Spider并定义了一些属性和方法:

  • name :标识蜘蛛. 它在一个项目中必须是唯一的,也就是说,不能为不同的Spider设置相同的名称.

  • start_requests() :必须返回一个可迭代的Requests(您可以返回请求列表或编写生成器函数),Spider将开始从中进行爬网. 随后的请求将从这些初始请求中依次生成.

  • parse() :将被调用以处理为每个请求下载的响应的方法. response参数是TextResponse一个实例,该实例保存页面内容并具有其他有用的方法来处理它.

    parse()方法通常解析响应,提取刮取的数据作为字典,还查找要遵循的新URL并从中创建新请求( Request ).

How to run our spider

To put our spider to work, go to the project’s top level directory and run:

scrapy crawl quotes

该命令运行带有我们刚刚添加的名称quotes的蜘蛛,它将发送对quotes.toscrape.com域的一些请求. 您将获得类似于以下的输出:

... (omitted for brevity)
2016-12-16 21:24:05 [scrapy.core.engine] INFO: Spider opened
2016-12-16 21:24:05 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:24:05 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://quotes.toscrape.com/robots.txt> (referer: None)
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/2/> (referer: None)
2016-12-16 21:24:05 [quotes] DEBUG: Saved file quotes-1.html
2016-12-16 21:24:05 [quotes] DEBUG: Saved file quotes-2.html
2016-12-16 21:24:05 [scrapy.core.engine] INFO: Closing spider (finished)
...

现在,检查当前目录中的文件. 您应该注意到,已经创建了两个新文件: quotes-1.htmlquotes-2.html ,其中包含相应URL的内容,如我们的parse方法所指示的那样.

Note

如果您想知道为什么我们还没有解析HTML,请稍等,我们将尽快解决.

What just happened under the hood?

Scrapy调度Spider的start_requests方法返回的scrapy.Request对象. 在收到每个响应时,它实例化Response对象并调用与请求关联的回调方法(在本例中为parse方法),并将响应作为参数传递.

A shortcut to the start_requests method

无需实现从URL生成scrapy.Request对象的start_requests()方法,您只需定义带有URL列表的start_urls类属性即可. 然后, start_requests()的默认实现将使用此列表来为您的蜘蛛创建初始请求:

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)

即使我们没有明确告诉Scrapy这样做,也会调用parse()方法来处理这些URL的每个请求. 发生这种情况是因为parse()是Scrapy的默认回调方法,对于没有显式分配的回调的请求将调用该方法.

Extracting data

学习如何使用Scrapy提取数据的最佳方法是使用Scrapy shell尝试选择器. 跑:

scrapy shell 'http://quotes.toscrape.com/page/1/'

Note

请记住,从命令行运行Scrapy shell时,请始终将网址括在引号中,否则包含参数(即&字符)的网址将不起作用.

在Windows上,请使用双引号代替:

scrapy shell "http://quotes.toscrape.com/page/1/"

您将看到类似以下内容:

[ ... Scrapy log here ... ]
2016-09-19 12:09:27 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x7fa91d888c90>
[s]   item       {}
[s]   request    <GET http://quotes.toscrape.com/page/1/>
[s]   response   <200 http://quotes.toscrape.com/page/1/>
[s]   settings   <scrapy.settings.Settings object at 0x7fa91d888c10>
[s]   spider     <DefaultSpider 'default' at 0x7fa91c8af990>
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser
>>>

使用外壳,您可以尝试使用带有响应对象的CSS选择元素:

>>> response.css('title')
[<Selector xpath='descendant-or-self::title' data='<title>Quotes to Scrape</title>'>]

运行response.css('title')是一个名为SelectorList的类似列表的对象,该对象表示围绕XML / HTML元素的Selector对象的列表,并允许您运行进一步的查询来细化选择或提取内容数据.

要从上面的标题中提取文本,您可以执行以下操作:

>>> response.css('title::text').getall()
['Quotes to Scrape']

这里有两点要注意:一是我们在CSS查询中添加了::text ,这意味着我们只想直接在<title>元素内选择text元素. 如果不指定::text ,则将获得完整的title元素,包括其标签:

>>> response.css('title').getall()
['<title>Quotes to Scrape</title>']

另一件事是,调用.getall()的结果是一个列表:选择器有可能返回多个结果,因此我们将它们全部提取出来. 当您知道只想要第一个结果时,在这种情况下,您可以执行以下操作:

>>> response.css('title::text').get()
'Quotes to Scrape'

或者,您可以编写:

>>> response.css('title::text')[0].get()
'Quotes to Scrape'

但是,直接在SelectorList实例上使用.get()可以避免IndexError并且在找不到与选择匹配的任何元素时返回None .

这里有一个教训:对于大多数抓取代码,您希望它能够对由于页面上未找到内容而导致的错误具有弹性,因此即使某些部分未能被抓取,您也至少可以获取一些数据.

除了getall()get()方法,您还可以使用re()方法使用正则表达式进行提取:

>>> response.css('title::text').re(r'Quotes.*')
['Quotes to Scrape']
>>> response.css('title::text').re(r'Q\w+')
['Quotes']
>>> response.css('title::text').re(r'(\w+) to (\w+)')
['Quotes', 'Scrape']

为了找到合适的CSS选择器,您可能会发现使用view(response)从Web浏览器的外壳中打开响应页面很有用. 您可以使用浏览器的开发人员工具检查HTML并提供一个选择器(请参阅使用浏览器的开发人员工具进行抓取 ).

Selector Gadget还是一个不错的工具,可以快速为视觉选择的元素找到CSS选择器,该选择器可在许多浏览器中使用.

XPath: a brief intro

除了CSS之外,Scrapy选择器还支持使用XPath表达式:

>>> response.xpath('//title')
[<Selector xpath='//title' data='<title>Quotes to Scrape</title>'>]
>>> response.xpath('//title/text()').get()
'Quotes to Scrape'

XPath表达式非常强大,并且是Scrapy Selectors的基础. 实际上,CSS选择器是在后台转换为XPath的. 您可以看到,如果您仔细阅读外壳中选择器对象的文本表示形式.

尽管XPath表达式可能不如CSS选择器流行,但它提供了更多功能,因为除了浏览结构之外,它还可以查看内容. 使用XPath,您可以选择以下内容: 选择包含文本"下一页"的链接 . 这使XPath非常适合于抓取任务,并且即使您已经知道如何构造CSS选择器,我们也鼓励您学习XPath,这将使抓取更加容易.

我们不会在这里介绍XPath,但是您可以在此处阅读有关将XPath与Scrapy Selectors结合使用的更多信息. 要了解有关XPath的更多信息,我们建议本教程通过示例学习XPath ,并建议本教程学习"如何在XPath中思考" .

Extracting quotes and authors

现在您对选择和提取有所了解,让我们通过编写代码从网页中提取引号来完善蜘蛛程序.

http://quotes.toscrape.com中的每个引用都由如下所示的HTML元素表示:

<div class="quote">
    <span class="text">“The world as we have created it is a process of our
    thinking. It cannot be changed without changing our thinking.”</span>
    <span>
        by <small class="author">Albert Einstein</small>
        <a href="/author/Albert-Einstein">(about)</a>
    </span>
    <div class="tags">
        Tags:
        <a class="tag" href="/tag/change/page/1/">change</a>
        <a class="tag" href="/tag/deep-thoughts/page/1/">deep-thoughts</a>
        <a class="tag" href="/tag/thinking/page/1/">thinking</a>
        <a class="tag" href="/tag/world/page/1/">world</a>
    </div>
</div>

让我们打开scrapy shell并进行一些尝试,以了解如何提取所需的数据:

$ scrapy shell 'http://quotes.toscrape.com'

我们获得带有HTML报价的选择器的列表,其中包括:

>>> response.css("div.quote")

上面的查询返回的每个选择器都允许我们在其子元素上运行进一步的查询. 让我们将第一个选择器分配给一个变量,以便我们可以在特定的引号上直接运行CSS选择器:

>>> quote = response.css("div.quote")[0]

Now, let’s extract text, author and the tags from that quote using the quote object we just created:

>>> text = quote.css("span.text::text").get()
>>> text
'“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”'
>>> author = quote.css("small.author::text").get()
>>> author
'Albert Einstein'

鉴于标签是字符串列表,我们可以使用.getall()方法来获取所有标签:

>>> tags = quote.css("div.tags a.tag::text").getall()
>>> tags
['change', 'deep-thoughts', 'thinking', 'world']

在弄清楚如何提取每一位之后,我们现在可以遍历所有引号元素并将它们放到Python字典中:

>>> for quote in response.css("div.quote"):
...     text = quote.css("span.text::text").get()
...     author = quote.css("small.author::text").get()
...     tags = quote.css("div.tags a.tag::text").getall()
...     print(dict(text=text, author=author, tags=tags))
{'tags': ['change', 'deep-thoughts', 'thinking', 'world'], 'author': 'Albert Einstein', 'text': '“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”'}
{'tags': ['abilities', 'choices'], 'author': 'J.K. Rowling', 'text': '“It is our choices, Harry, that show what we truly are, far more than our abilities.”'}
    ... a few more of these, omitted for brevity
>>>

Extracting data in our spider

让我们回到蜘蛛. 到目前为止,它没有特别提取任何数据,只是将整个HTML页面保存到本地文件中. 让我们将上面的提取逻辑集成到我们的Spider中.

Scrapy Spider通常会生成许多字典,其中包含从页面提取的数据. 为此,我们在回调中使用yield Python关键字,如下所示:

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall(),
            }

如果运行此蜘蛛,它将输出提取的数据和日志:

2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'}
2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A. Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"}

Storing the scraped data

存储已抓取数据的最简单方法是使用Feed输出 ,并使用以下命令:

scrapy crawl quotes -o quotes.json

这将生成一个quotes.json文件,其中包含所有以JSON序列化的quotes.json项.

由于历史原因,Scrapy会附加到给定文件,而不是覆盖其内容. 如果您两次运行此命令而没有在第二次之前删除该文件,那么最终将得到一个损坏的JSON文件.

您还可以使用其他格式,例如JSON Lines

scrapy crawl quotes -o quotes.jl

JSON Lines格式很有用,因为它类似于流,您可以轻松地向其追加新记录. 当您运行两次时,它不会出现相同的JSON问题. 另外,由于每条记录都是单独的一行,因此您可以处理大文件而不必将所有内容都放入内存中,因此有类似JQ的工具可以在命令行中帮助您完成此操作.

在小型项目中(例如本教程中的项目),这应该足够了. 但是,如果要对已刮除的物料执行更复杂的操作,则可以编写" 物料管道" . 创建项目时,已在tutorial/pipelines.py为您设置了Item Pipelines的占位符文件. 虽然如果您只想存储已刮除的项目,则无需实现任何项目管道.

Using spider arguments

您可以在运行蜘蛛时使用-a选项为蜘蛛提供命令行参数:

scrapy crawl quotes -o quotes-humor.json -a tag=humor

这些参数将传递给Spider的__init__方法,并默认成为蜘蛛属性.

在此示例中,可以通过self.tag获得为tag参数提供的值. 您可以使用它使您的Spider只获取带有特定标记的引号,并根据参数构建URL:

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"

    def start_requests(self):
        url = 'http://quotes.toscrape.com/'
        tag = getattr(self, 'tag', None)
        if tag is not None:
            url = url + 'tag/' + tag
        yield scrapy.Request(url, self.parse)

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
            }

        next_page = response.css('li.next a::attr(href)').get()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

如果将tag=humor参数传递给该蜘蛛,您会注意到它只会访问来自humor标签的URL,例如http://quotes.toscrape.com/tag/humor .

您可以在此处了解更多有关处理蜘蛛参数的信息 .

Next steps

本教程仅介绍了Scrapy的基础知识,但这里没有提到很多其他功能. 检查还有什么? Scrapy中的"概览"一章,以快速概述最重要的主题.

您可以从" 基本概念 "部分继续,以进一步了解命令行工具,蜘蛛程序,选择器以及本教程未涵盖的其他内容,例如对抓取的数据进行建模. 如果您喜欢玩示例项目,请查看" 示例"部分.