您的位置：首页 > 其它

Scrapy定向爬虫教程(一)——创建运行项目和基本介绍

2017-05-06 15:21 323 查看

前言

目前网上的Scrapy中文教程比较少，而且大多教程使用的Scrapy版本较老，比如说这个Scrapy 0.25 文档，如其名，上古时期的翻译文档；再比如极客学院的视频教程使用的是1.0.x版本，跟新版相比还是有出入。这种情况使得新手入门Scrapy较为困难，而且各种掉坑。本人也是只刚入门的菜鸟，我希望能用菜鸟的语言给其他想要踏进Scrapy大门的小菜鸟指引一条道路。至少比我踩得坑少点吧^-^。

开发环境

Ubuntu 16.04
Python 2.7.12
Scrapy 1.1.2
PyCharm 2016.1.4

介绍

本教程将带领大家写一个爬取Discuz模板论坛网站的定向爬虫，网上的Discuz论坛数不胜数，当然我也不敢公开在这教唆大家去侵犯某一个，只好祭出自己搭的论坛来供大家练习——心韵论坛。当然，既然是Discuz模板，用哪个网站做教程都是大同小异的。有了思路后，其他网站也会触类旁通。本教程分为以下八个部分，将分为八篇博文向大家介绍：

Scrapy安装与项目创建
通过Selector选择器解析页面获取内容
爬取多个页面
数据存入MongoDB
保持登陆状态
分析表单并回帖
使用代理
结束邮件通知
好，废话不多说，我们进入第一部分。

Scrapy安装

既然选择了Scrapy，那么使用Linux对你来说也是家常便饭了吧，安装教程请戳链接Ubuntu16.04安装Scrapy命令

新建项目

首先进入你想创建项目的目录，我为了方便，就直接在home目录下建项目了，因为我们要爬取的网站域名是heartsong.top，为了方便识别，我们把项目的名字起做heartsong，在命令行中输入以下命令：

scrapy startproject heartsong

1
1
输出信息如图，表示项目创建成功

项目结构

我们通过PyCharm打开项目

发现默认生成的项目有如下结构

我们发现，默认生成的项目有下列几个文件

*

__init__.py

× 2

*

items.py

pipelines.py

settings.py

scrapy.cfg

在这几个文件中，两个

__init__.py

和

scrapy.cfg

是用不到的，不多说。下面，我们来介绍一下我们在今后用的到的文件的基本用途

items.py

双击打开这个文件,看一下都初始化了什么东西

# -*- coding: urf-8 -*-
# Define here the models for your scrapyed items
#
# See documentation in
# http://doc.scrapy.org/en/latest/topics/items.html 
import scrapy

class HeartsongItem(scrapy.Item):
# define the fields for your item here like:
#
# name = scrapy.Filed()
pass

1
9
10
通过里面的注释可见，这个文件的作用是定义我们要爬取信息的标准格式，打个比方说，如果我们要爬取一批人的个人信息，包括姓名，性别，生日，那么我们可以这样来书写这个文件

import scrapy

class HeartsongItem(scrapy.Item):
name = scrapy.Filed()
sex = scrapy.Filed()
birthday = scrapy.Filed()

6
易见本文件只是定义了一个类，至于什么时候实例化它，怎么保存它，请继续了解下面的内容。

settings.py

如其名，这是本项目的配置文件，里面注释着很多常用的配置项，我们通过在其他文件中引入本文件的方式来使用这些配置项。

当然，我们可以把这些注释都删掉，等需要开启哪个功能的时候再另行编辑。

我们此处先看看默认打开的配置项吧

BOT_NAME = 'heartsong'
SPIDER_MODULES = ['heartsong.spiders']
NEWSPIDER_MODULE = 'heartsong.spider'
# Obey robots.txt rules
ROBORSTXT_OBEY = True

1
因为我们写的是定向爬虫，前面三个按默认即可，我们不去管他。看第四项，注释里说这个配置项的意思是是否遵守

robots.txt

，那么

robots.txt

是个什么东西呢？

通俗来说，

robots.txt

是遵循Robot协议的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页不希望你进行爬取收录。在Scrapy启动后，会在第一时间访问网站的

robots.txt

文件，然后决定该网站的爬取范围。

当然，我们并不是在做搜索引擎，而且在某些情况下我们想要获取的内容恰恰是被

robots.txt

所禁止访问的。所以，我们就将此配置项设置为

False

，拒绝遵守Robot协议！

pipelines.py

双击打开这个文件，看看都初始化了什么东西

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html 
class HeartsongPipeline(object):
def process_item(self, item, spider):
return item

1
从注释中所能得到的信息微乎其微，只告诉我们要启用此文件的话必须要在

settings.py

里配置一下

ITEM_PIPELINES

，好，那我们就老老实实的去

settings.py

里配置一下吧，不过注意，此处有坑，在1.0.x版本(极客学院教程中使用)，配置项用list格式来书写，而在最新的1.1.2版本中，需要用dict格式，否则会报错，无法爬取，配置好后，我们的

setting.py

如下：

# -*- coding: utf-8 -*-

BOT_NAME = 'heartsong'
SPIDER_MODULES = ['heartsong.spiders']
NEWSPIDER_MODULE = 'heartsong.spider'

ROBORSTXT_OBEY = True

ITEM_PIPELINES = {
'heartsong.pipelines.HeartsongPipeline': 300,
}

1
此处的300表示优先级，因为本项目只用到这一个pipeline，所以随意取0-1000中的一个数值即可。

好，镜头切回

pipelines.py

,这个文件到底有什么用呢？当然用处很多啦，本教程中介绍的作用只有两个：

* 对爬取到的数据(Item)进行处理，比如存入数据库

* 爬虫结束时产生事件，比如发送一封邮件

此处只是介绍一下，具体的操作要看后续教程。

爬虫呢？

默认生成的项目结构至此我们已经介绍完了，可是我们是来做爬虫的吧，爬虫呢？莫急莫急，互联网上的网站数不胜数，变化多端，我们的爬虫当然不可能一成不变，所以爬虫文件我们需要自己定义。

爬虫

在默认生成的

spiders

目录下新建

heartsong_spider.py

,我们的爬虫就写在这里面，因为是介绍，那么此处就写个简单的下载网站的主页，让大家能运行一下，感受一下scrapy。

import scrapy

class HeartsongSpider(scrapy.spiders.Spider):
name = "heartsong"  # 爬虫的名字，执行时使用
allowed_domains = ["heartsong.top"]  # 允许爬取的域名，非此域名的网页不会爬取
start_urls = [
"http://www.heartsong.top"  # 起始url，此例只爬这一个页面
]

def parse(self, response):  # 真正的爬虫方法
html = response.body  # response是获取到的来自网站的返回
# 以下四行将html存入文件
filename = "index.html"
file = open(filename, "w")
file.write(html)
file.close()

1
要说明的是，这个类不是随心所欲来写的，