《scrapy入门经典.ppt》由会员分享，可在线阅读，更多相关《scrapy入门经典.ppt（19页珍藏版）》请在三一文库上搜索。
1、,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
2、序: Python2.7 https:/www.python.org/ Python Package:pipandsetuptools. 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:
3、 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. tuto
4、rial/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
5、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
6、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 crawldmoz启动用于爬取dmoz.org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
7、达式的例子及对应的含义: /html/head/title: 选择HTML文档中标签内的元素 /html/head/title/text(): 选择上面提到的元素的文字 /td: 选择所有的元素 /divclass=mine: 选择所有具有class=mine属性的div元素,提取数据,现在，我们来尝试从这些页面中提取些有用的数据。,在我们的spider中加入这段代码:,使用item,Item对象是自定义的python字典。 您可以使用标准的字典语法来获取到其每个字段的值。(字段即是我们之前用Field赋值的属性):,保存爬取到的数据,命令行执行： scrapy crawl dmoz -o items.json,