分布式爬虫：使用Scrapy抓取数据

Scrapy是Python开发的一个快速,高层次的屏幕抓取和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用途广泛，可以用于数据挖掘、监测和自动化测试。
官方主页： http://www.scrapy.org/
中文文档：Scrapy 0.22 文档
GitHub项目主页：https://github.com/scrapy/scrapy

Scrapy 使用了 Twisted 异步网络库来处理网络通讯。整体架构大致如下（注：图片来自互联网）：



Scrapy主要包括了以下组件：
引擎，用来处理整个系统的数据流处理，触发事务。
调度器，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，用于下载网页内容，并将网页内容返回给蜘蛛。
蜘蛛，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。
项目管道，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，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，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，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。

使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。

1. 安装

安装 python

Scrapy 目前最新版本为0.22.2，该版本需要 python 2.7，故需要先安装 python 2.7。这里我使用 centos 服务器来做测试，因为系统自带了 python ，需要先检查 python 版本。

查看python版本：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>python -<span class="hljs-constant" style="color: rgb(136, 0, 0);">V</span>
<span class="hljs-constant" style="color: rgb(136, 0, 0);">Python</span> <span class="hljs-number" style="color: rgb(0, 136, 0);">2.6</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">6</span>
</code>

升级版本到2.7：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span><span class="hljs-constant" style="color: rgb(136, 0, 0);">Python</span> <span class="hljs-number" style="color: rgb(0, 136, 0);">2.7</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">6</span><span class="hljs-symbol" style="color: rgb(136, 0, 0);">:</span>
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>wget <span class="hljs-symbol" style="color: rgb(136, 0, 0);">http:</span>/<span class="hljs-regexp" style="color: rgb(0, 136, 0);">/python.org/ftp</span><span class="hljs-regexp" style="color: rgb(0, 136, 0);">/python/</span><span class="hljs-number" style="color: rgb(0, 136, 0);">2.7</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">6</span>/<span class="hljs-constant" style="color: rgb(136, 0, 0);">Python</span>-<span class="hljs-number" style="color: rgb(0, 136, 0);">2.7</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">6</span>.tar.xz
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>tar xf <span class="hljs-constant" style="color: rgb(136, 0, 0);">Python</span>-<span class="hljs-number" style="color: rgb(0, 136, 0);">2.7</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">6</span>.tar.xz
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>cd <span class="hljs-constant" style="color: rgb(136, 0, 0);">Python</span>-<span class="hljs-number" style="color: rgb(0, 136, 0);">2.7</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">6</span>
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>./configure --prefix=<span class="hljs-regexp" style="color: rgb(0, 136, 0);">/usr/local</span> --enable-unicode=ucs4 --enable-shared <span class="hljs-constant" style="color: rgb(136, 0, 0);">LDFLAGS</span>=<span class="hljs-string" style="color: rgb(136, 136, 255);">"-Wl,-rpath /usr/local/lib"</span>
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>make && make altinstall
</code>

建立软连接，使系统默认的 python指向 python2.7

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>mv /usr/bin/python /usr/bin/python2.<span class="hljs-number" style="color: rgb(0, 136, 0);">6.6</span>
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>ln -s /usr/local/bin/python2.<span class="hljs-number" style="color: rgb(0, 136, 0);">7</span> /usr/bin/python
</code>

再次查看python版本：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>python -<span class="hljs-constant" style="color: rgb(136, 0, 0);">V</span>
<span class="hljs-constant" style="color: rgb(136, 0, 0);">Python</span> <span class="hljs-number" style="color: rgb(0, 136, 0);">2.7</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">6</span>
</code>

安装

这里使用 wget 的方式来安装 setuptools :

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>wget <span class="hljs-symbol" style="color: rgb(136, 0, 0);">https:</span>/<span class="hljs-regexp" style="color: rgb(0, 136, 0);">/bootstrap.pypa.io/ez</span>_setup.py -<span class="hljs-constant" style="color: rgb(136, 0, 0);">O</span> - | python
</code>

安装 zope.interface

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">$ easy_install zope.<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">interface</span>
</code>

安装 twisted

Scrapy 使用了 Twisted 异步网络库来处理网络通讯，故需要安装 twisted。

安装 twisted 前，需要先安装 gcc：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>yum install gcc -y
</code>

然后，再通过 easy_install 安装 twisted：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>easy_install twisted
</code>

如果出现下面错误：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">$ easy_install twisted
Searching <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">for</span> twisted
Reading <span class="hljs-attribute" style="color: rgb(136, 0, 0);">https</span>:<span class="hljs-regexp" style="color: rgb(0, 136, 0);">//</span>pypi.python.org<span class="hljs-regexp" style="color: rgb(0, 136, 0);">/simple/twisted/</span>
Best <span class="hljs-attribute" style="color: rgb(136, 0, 0);">match</span>: Twisted <span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span><span class="hljs-number" style="color: rgb(0, 136, 0);">.0</span>
Downloading <span class="hljs-attribute" style="color: rgb(136, 0, 0);">https</span>:<span class="hljs-regexp" style="color: rgb(0, 136, 0);">//</span>pypi.python.org/packages/source/T/Twisted/Twisted-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span><span class="hljs-number" style="color: rgb(0, 136, 0);">.0</span>.tar.bz2<span class="hljs-comment" style="color: rgb(136, 136, 136);">#md5=9625c094e0a18da77faa4627b98c9815</span>
Processing Twisted-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span><span class="hljs-number" style="color: rgb(0, 136, 0);">.0</span>.tar.bz2
Writing /tmp/easy_install-kYHKjn/Twisted-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span><span class="hljs-number" style="color: rgb(0, 136, 0);">.0</span>/setup.cfg
Running Twisted-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span><span class="hljs-number" style="color: rgb(0, 136, 0);">.0</span>/setup.py -q bdist_egg --dist-dir /tmp/easy_install-kYHKjn/Twisted-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span><span class="hljs-number" style="color: rgb(0, 136, 0);">.0</span>/egg-dist-tmp-vu1n6Y
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">10</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">20</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">error</span>: Python.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">h</span>: No such file <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">or</span> directory
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">14</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">error</span>: expected ‘=’, ‘,’, ‘;’, ‘asm’ <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">or</span> ‘__attribute__’ before ‘*’ token
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">31</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">error</span>: expected ‘=’, ‘,’, ‘;’, ‘asm’ <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">or</span> ‘__attribute__’ before ‘*’ token
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">45</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">error</span>: expected ‘=’, ‘,’, ‘;’, ‘asm’ <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">or</span> ‘__attribute__’ before ‘PortmapMethods’
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>: In <span class="hljs-reserved">function</span> ‘initportmap’:
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">55</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">warning</span>: implicit declaration <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">of</span> <span class="hljs-reserved">function</span> ‘Py_InitModule’
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">55</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">error</span>: ‘PortmapMethods’ undeclared (first use <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">in</span> <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">this</span> <span class="hljs-reserved">function</span>)
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">55</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">error</span>: (Each undeclared identifier <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">is</span> reported only once
twisted/runner/portmap.<span class="hljs-attribute" style="color: rgb(136, 0, 0);">c</span>:<span class="hljs-number" style="color: rgb(0, 136, 0);">55</span>: <span class="hljs-attribute" style="color: rgb(136, 0, 0);">error</span>: <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">for</span> each <span class="hljs-reserved">function</span> it appears <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">in</span>.)
</code>

请安装 python-devel 然后再次运行：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>yum install python-devel -y
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>easy_install twisted
</code>

如果出现下面异常：

<code style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-attribute">error</span>: <span class="hljs-string" style="color: rgb(136, 0, 0);">Not a recognized archive type: /tmp/easy_install-tVwC5O/Twisted-14.0.0.tar.bz2</span>
</code>

请手动下载然后安装，下载地址在这里

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>wget <span class="hljs-symbol" style="color: rgb(136, 0, 0);">https:</span>/<span class="hljs-regexp" style="color: rgb(0, 136, 0);">/pypi.python.org/packages</span><span class="hljs-regexp" style="color: rgb(0, 136, 0);">/source/</span><span class="hljs-constant" style="color: rgb(136, 0, 0);">T</span>/<span class="hljs-constant" style="color: rgb(136, 0, 0);">Twisted</span>/<span class="hljs-constant" style="color: rgb(136, 0, 0);">Twisted</span>-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">0</span>.tar.bz2<span class="hljs-comment" style="color: rgb(136, 136, 136);">#md5=9625c094e0a18da77faa4627b98c9815</span>
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>tar -vxjf <span class="hljs-constant" style="color: rgb(136, 0, 0);">Twisted</span>-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">0</span>.tar.bz2
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>cd <span class="hljs-constant" style="color: rgb(136, 0, 0);">Twisted</span>-<span class="hljs-number" style="color: rgb(0, 136, 0);">14.0</span>.<span class="hljs-number" style="color: rgb(0, 136, 0);">0</span>
<span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>python setup.py install
</code>

安装 pyOpenSSL

先安装一些依赖：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>yum install libffi libffi-devel openssl-devel -y
</code>

然后，再通过 easy_install 安装 pyOpenSSL：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>easy_install pyOpenSSL
</code>

安装 Scrapy

先安装一些依赖：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>yum install libxml2 libxslt libxslt-devel -y
</code>

最后再来安装 Scrapy ：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>easy_install scrapy</code>

2. 使用 Scrapy

在安装成功之后，你可以了解一些 Scrapy 的基本概念和使用方法，并学习 Scrapy 项目的例子 dirbot 。

Dirbot 项目位于 https://github.com/scrapy/dirbot，该项目包含一个 README 文件，它详细描述了项目的内容。如果你熟悉
git，你可以 checkout 它的源代码。或者你可以通过点击 Downloads 下载 tarball 或 zip 格式的文件。

下面以该例子来描述如何使用 Scrapy 创建一个爬虫项目。

新建工程

在抓取之前，你需要新建一个 Scrapy 工程。进入一个你想用来保存代码的目录，然后执行：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>scrapy startproject tutorial
</code>

这个命令会在当前目录下创建一个新目录 tutorial，它的结构如下：

<code style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">.
├── scrapy.cfg
└── tutorial
├── __init__.py
├── items.py
├── pipelines.py
├── settings.py
└── spiders
└── __init__.py
</code>

这些文件主要是：
scrapy.cfg: 项目配置文件
tutorial/: 项目python模块, 呆会代码将从这里导入
tutorial/items.py: 项目items文件
tutorial/pipelines.py: 项目管道文件
tutorial/settings.py: 项目配置文件
tutorial/spiders: 放置spider的目录

定义Item

Items是将要装载抓取的数据的容器，它工作方式像 python 里面的字典，但它提供更多的保护，比如对未定义的字段填充以防止拼写错误。

它通过创建一个 

scrapy.item.Item

 类来声明，定义它的属性为 

scrpy.item.Field

 对象，就像是一个对象关系映射(ORM).

我们通过将需要的item模型化，来控制从 dmoz.org 获得的站点数据，比如我们要获得站点的名字，url 和网站描述，我们定义这三种属性的域。要做到这点，我们编辑在 tutorial 目录下的 items.py 文件，我们的 Item 类将会是这样

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> scrapy.item <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> Item, Field
<span class="hljs-class"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">class</span> <span class="hljs-title" style="color: rgb(136, 0, 0); font-weight: bold;">DmozItem</span><span class="hljs-params" style="color: rgb(102, 0, 102);">(Item)</span>:</span>
title = Field()
link = Field()
desc = Field()
</code>

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

编写爬虫(Spider)

Spider 是用户编写的类，用于从一个域（或域组）中抓取信息。们定义了用于下载的URL的初步列表，如何跟踪链接，以及如何来解析这些网页的内容用于提取items。

要建立一个 Spider，你可以为 

scrapy.spider.BaseSpider

 创建一个子类，并确定三个主要的、强制的属性：

name

：爬虫的识别名，它必须是唯一的，在不同的爬虫中你必须定义不同的名字.

start_urls

：爬虫开始爬的一个 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()

：爬虫的方法，调用时候传入从每一个 URL 传回的 Response 对象作为参数，response 将会是 parse 方法的唯一的一个参数,

这个方法负责解析返回的数据、匹配抓取的数据(解析为 item )并跟踪更多的 URL。

在 tutorial/spiders 目录下创建 DmozSpider.py

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> scrapy.spider <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> BaseSpider

<span class="hljs-class"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">class</span> <span class="hljs-title" style="color: rgb(136, 0, 0); font-weight: bold;">DmozSpider</span><span class="hljs-params" style="color: rgb(102, 0, 102);">(BaseSpider)</span>:</span>
name = <span class="hljs-string" style="color: rgb(136, 0, 0);">"dmoz"</span>
allowed_domains = [<span class="hljs-string" style="color: rgb(136, 0, 0);">"dmoz.org"</span>]
start_urls = [
<span class="hljs-string" style="color: rgb(136, 0, 0);">"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"</span>,
<span class="hljs-string" style="color: rgb(136, 0, 0);">"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"</span>
]

<span class="hljs-function"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">def</span> <span class="hljs-title" style="color: rgb(136, 0, 0); font-weight: bold;">parse</span><span class="hljs-params" style="color: rgb(102, 0, 102);">(self, response)</span>:</span>
filename = response.url.split(<span class="hljs-string" style="color: rgb(136, 0, 0);">"/"</span>)[-<span class="hljs-number" style="color: rgb(0, 136, 0);">2</span>]
open(filename, <span class="hljs-string" style="color: rgb(136, 0, 0);">'wb'</span>).write(response.body)
</code>

运行项目

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>scrapy crawl dmoz
</code>

该命令从 dmoz.org 域启动爬虫，第三个参数为 DmozSpider.py 中的 name 属性值。

xpath选择器

Scrapy 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。

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

这只是几个使用 XPath 的简单例子，但是实际上 XPath 非常强大。如果你想了解更多 XPATH 的内容，我们向你推荐这个XPath
教程

为了方便使用 XPaths，Scrapy 提供 Selector 类， 有三种方法

xpath()

：返回selectors列表, 每一个select表示一个xpath参数表达式选择的节点.

extract()

：返回一个unicode字符串，该字符串为XPath选择器返回的数据

re()

： 返回unicode字符串列表，字符串作为参数由正则表达式提取出来

css()

提取数据

我们可以通过如下命令选择每个在网站中的 

<li>

 元素:

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">sel.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'//ul/li'</span>)
</code>

然后是网站描述:

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">sel.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'//ul/li/text()'</span>).extract()
</code>

网站标题:

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">sel.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'//ul/li/a/text()'</span>).extract()
</code>

网站链接:

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">sel.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'//ul/li/a/@href'</span>).extract()
</code>

如前所述，每个 

xpath()

 调用返回一个 selectors 列表，所以我们可以结合 

xpath()

 去挖掘更深的节点。我们将会用到这些特性，所以:

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;">sites = sel.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'//ul/li'</span>)
<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">for</span> site in sites:
title = site.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'a/text()'</span>).extract()
<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">link</span> = site.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'a/@href'</span>).extract()
desc = site.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'text()'</span>).extract()
<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">print</span> title, <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">link</span>, desc
</code>

使用Item

scrapy.item.Item

 的调用接口类似于 python 的 dict ，Item 包含多个 

scrapy.item.Field

。这跟
django 的 Model 与

Item 通常是在 Spider 的 parse 方法里使用，它用来保存解析到的数据。

最后修改爬虫类，使用 Item 来保存数据，代码如下：

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> scrapy.spider <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> Spider
<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> scrapy.selector <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> Selector

<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> dirbot.items <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> Website

<span class="hljs-class"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">class</span> <span class="hljs-title" style="color: rgb(136, 0, 0); font-weight: bold;">DmozSpider</span><span class="hljs-params" style="color: rgb(102, 0, 102);">(Spider)</span>:</span>
name = <span class="hljs-string" style="color: rgb(136, 0, 0);">"dmoz"</span>
allowed_domains = [<span class="hljs-string" style="color: rgb(136, 0, 0);">"dmoz.org"</span>]
start_urls = [
<span class="hljs-string" style="color: rgb(136, 0, 0);">"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"</span>,
<span class="hljs-string" style="color: rgb(136, 0, 0);">"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"</span>,
]

<span class="hljs-function"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">def</span> <span class="hljs-title" style="color: rgb(136, 0, 0); font-weight: bold;">parse</span><span class="hljs-params" style="color: rgb(102, 0, 102);">(self, response)</span>:</span>
<span class="hljs-string" style="color: rgb(136, 0, 0);">"""
The lines below is a spider contract. For more info see: http://doc.scrapy.org/en/latest/topics/contracts.html 
@url http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/ @scrapes name
"""</span>
sel = Selector(response)
sites = sel.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'//ul[@class="directory-url"]/li'</span>)
items = []

<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">for</span> site <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">in</span> sites:
item = Website()
item[<span class="hljs-string" style="color: rgb(136, 0, 0);">'name'</span>] = site.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'a/text()'</span>).extract()
item[<span class="hljs-string" style="color: rgb(136, 0, 0);">'url'</span>] = site.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'a/@href'</span>).extract()
item[<span class="hljs-string" style="color: rgb(136, 0, 0);">'description'</span>] = site.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'text()'</span>).re(<span class="hljs-string" style="color: rgb(136, 0, 0);">'-\s([^\n]*?)\\n'</span>)
items.append(item)

<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">return</span> items
</code>

现在，可以再次运行该项目查看运行结果：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>scrapy crawl dmoz
</code>

使用Item Pipeline

在 settings.py 中设置 

ITEM_PIPELINES

，其默认为

[]

，与
django 的 

MIDDLEWARE_CLASSES

 等相似。

从 Spider 的 parse 返回的 Item 数据将依次被 

ITEM_PIPELINES

 列表中的 Pipeline 类处理。

一个 Item Pipeline 类必须实现以下方法：

process_item(item, spider)

 为每个 item pipeline 组件调用，并且需要返回一个 

scrapy.item.Item

 实例对象或者抛出一个 

scrapy.exceptions.DropItem

 异常。当抛出异常后该
item 将不会被之后的 pipeline 处理。参数:

item (Item object)

 – 由 parse 方法返回的 Item 对象

spider (BaseSpider object)

 – 抓取到这个 Item 对象对应的爬虫对象

也可额外的实现以下两个方法：

open_spider(spider)

 当爬虫打开之后被调用。参数: 

spider
(BaseSpider object)

 – 已经运行的爬虫

close_spider(spider)

 当爬虫关闭之后被调用。参数: 

spider
(BaseSpider object)

 – 已经关闭的爬虫

保存抓取的数据

保存信息的最简单的方法是通过 Feed exports，命令如下：

<code class="lang-bash" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-variable" style="color: rgb(102, 0, 102);">$ </span>scrapy crawl dmoz -o items.json -t json
</code>

除了 json 格式之外，还支持 JSON lines、CSV、XML格式，你也可以通过接口扩展一些格式。

对于小项目用这种方法也足够了。如果是比较复杂的数据的话可能就需要编写一个 Item Pipeline 进行处理了。

所有抓取的 items 将以 JSON 格式被保存在新生成的 items.json 文件中

总结

上面描述了如何创建一个爬虫项目的过程，你可以参照上面过程联系一遍。作为学习的例子，你还可以参考这篇文章：scrapy 中文教程（爬cnbeta实例） 。

这篇文章中的爬虫类代码如下：

<code class="lang-python" style="font-family: Consolas, Menlo, Monaco, "Courier New", monospace; font-size: 1em; padding: 0px; color: inherit; background-color: transparent;"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> scrapy.contrib.spiders <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> CrawlSpider, Rule
<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> scrapy.contrib.linkextractors.sgml <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> SgmlLinkExtractor
<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> scrapy.selector <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> Selector

<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">from</span> cnbeta.items <span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">import</span> CnbetaItem

<span class="hljs-class"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">class</span> <span class="hljs-title" style="color: rgb(136, 0, 0); font-weight: bold;">CBSpider</span><span class="hljs-params" style="color: rgb(102, 0, 102);">(CrawlSpider)</span>:</span>
name = <span class="hljs-string" style="color: rgb(136, 0, 0);">'cnbeta'</span>
allowed_domains = [<span class="hljs-string" style="color: rgb(136, 0, 0);">'cnbeta.com'</span>]
start_urls = [<span class="hljs-string" style="color: rgb(136, 0, 0);">'http://www.cnbeta.com'</span>]

rules = (
Rule(SgmlLinkExtractor(allow=(<span class="hljs-string" style="color: rgb(136, 0, 0);">'/articles/.*\.htm'</span>, )),
callback=<span class="hljs-string" style="color: rgb(136, 0, 0);">'parse_page'</span>, follow=<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">True</span>),
)

<span class="hljs-function"><span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">def</span> <span class="hljs-title" style="color: rgb(136, 0, 0); font-weight: bold;">parse_page</span><span class="hljs-params" style="color: rgb(102, 0, 102);">(self, response)</span>:</span>
item = CnbetaItem()
sel = Selector(response)
item[<span class="hljs-string" style="color: rgb(136, 0, 0);">'title'</span>] = sel.xpath(<span class="hljs-string" style="color: rgb(136, 0, 0);">'//title/text()'</span>).extract()
item[<span class="hljs-string" style="color: rgb(136, 0, 0);">'url'</span>] = response.url
<span class="hljs-keyword" style="color: rgb(0, 0, 136); font-weight: bold;">return</span> item
</code>

需要说明的是：
该爬虫类继承的是 

CrawlSpider

 类，并且定义规则，rules指定了含有 

/articles/.*\.htm

 的链接都会被匹配。
该类并没有实现parse方法，并且规则中定义了回调函数 

parse_page

，你可以参考更多资料了解 CrawlSpider 的用法

3. 学习资料

接触 Scrapy，是因为想爬取一些知乎的数据，最开始的时候搜索了一些相关的资料和别人的实现方式。

Github 上已经有人或多或少的实现了对知乎数据的爬取，我搜索到的有以下几个仓库：
https://github.com/KeithYue/Zhihu_Spider 实现先通过用户名和密码登陆再爬取数据，代码见 zhihu_spider.py。
https://github.com/immzz/zhihu-scrapy 使用 selenium 下载和执行 javascript
代码。
https://github.com/tangerinewhite32/zhihu-stat-py
https://github.com/Zcc/zhihu 主要是爬指定话题的topanswers，还有用户个人资料，添加了登录代码。
https://github.com/pelick/VerticleSearchEngine 基于爬取的学术资源，提供搜索、推荐、可视化、分享四块。使用了
Scrapy、MongoDB、Apache Lucene/Solr、Apache Tika等技术。
https://github.com/geekan/scrapy-examples scrapy的一些例子，包括获取豆瓣数据、linkedin、腾讯招聘数据等例子。
https://github.com/owengbs/deeplearning 实现分页获取话题。
https://github.com/gnemoug/distribute_crawler 使用scrapy、redis、mongodb、graphite实现的一个分布式网络爬虫,底层存储mongodb集群,分布式使用redis实现,爬虫状态显示使用graphite实现
https://github.com/weizetao/spider-roach 一个分布式定向抓取集群的简单实现。

其他资料：
http://www.52ml.net/tags/Scrapy 收集了很多关于 Scrapy 的文章，推荐阅读
用Python Requests抓取知乎用户信息
使用scrapy框架爬取自己的博文
Scrapy 深入一点点
使用python，scrapy写（定制）爬虫的经验，资料，杂。
Scrapy 轻松定制网络爬虫
在scrapy中怎么让Spider自动去抓取豆瓣小组页面

scrapy 和 javascript 交互例子：
用scrapy框架爬取js交互式表格数据
scrapy + selenium 解析javascript 实例

还有一些待整理的知识点：
如何先登陆再爬数据
如何使用规则做过滤
如何递归爬取数据
scrapy的参数设置和优化
如何实现分布式爬取