一个网站的诞生02--用Scrapy抓取数据
浏览数：242 /
时间：2015年06月09日
如果想抓数据，就需要有爬虫程序，业内叫crawler或者spider。
有各种语言版本的开源爬虫，c++, Java, php，在github上搜一下，以"spider c++"为关键字，有245个开源爬虫，以"spider java"为关键字，有48个。那python呢？156个。
爬虫技术在业界已经很成熟了，有很多开源框架，在它们的帮助下写爬虫可以很快，几个小时就能写一个不错的东东用。爬虫技术也会很复杂，如果要做分布式抓取和全文检索，一般使用Nutch。
最有名的Python爬虫框架是Scrapy，这个名字也蛮有意思的，估计是Spider，Crawler，python各取部分字符组合起来的，它的官方主页在http://scrapy.org/。
1. 安装Scrapy
安装Scrapy很简单，linux系统的话，一条语句就可以了，"sudo pip install Scrapy"。通常python在Linux各发行版上都是默认安装的。pip是python的包管理工具，执行install命令后，它会从网上下载最新版本的Scrapy安装。安装完毕，在命令行输入命令"scrapy version"，会打印scrapy的版本，表明安装成功。
2. 生成项目目录
如果要抓取大众点评网，需要先创建项目。选择一个空目录，比如在我的电脑上是/tmp/scrapy-test，在命令行输入"scrapy startproject crawdp"，startproject是scrapy的一个命令。执行后，在/tmp/scrapy-test目录会出现一个新目录crawdp，它包含scrawdp项目所需要的一切东东，如源代码和配置文件。运行"tree crawdp"，可以看到整个目录结构。
那么，"startproject""创建项目"这个高大上字眼背后的真相是什么呢？其实不复杂，就是创建一个项目名的目录和它的几个子目录，然后复制几个指定的文件到这些目录，再把这些文件里的几个特定字符串替换成项目名。这块的代码在scrapy源代码的scrapy/command/commands目录下的startproject.py文件里，而在"tree crawdp"看到的文件，它们的原型在scrapy/templates/project/module目录下，如settings.py.tmpl文件，把它里面的字符串"$project_name"用"crawdp"替换，再把文件名改成settings.py，就是crawdp的settings.py文件。
像settings.py.tmpl这样的文件，又称为模板文件，把模板里的变量用字符串替换掉，叫渲染（render）。在web server的开发中也同样使用这种技术，前端工程师设计html文件，里面包含形如"$project_name"之类的变量，保存成模板文件，而服务器在运行的时候，用运行时产生的字符串替换掉模板里的变量，再把替换后的内容发给浏览器，就是我们看到的网页，所以叫动态页面。
3. 第一个spider
开始写第一个spider，这是一个非常简单的spider，只有13行代码。
在/tmp/scrapy-test/crawdp/crawdp/spiders目录下，创建文件cityid_spider.py，内容如下：
-----------------------------------------
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
class CityidSpider(BaseSpider):
name = "cityid_spider"
start_urls = ["http://www.dianping.com/shanghai/food"]
def parse(self, response):
hxs = HtmlXPathSelector(response)
xs = hxs.select(‘//ul[@class=\"nc_list\"]/li/a/@href‘)
x = xs[0]
cityid = x.extract().split(‘/‘)[3]
print "\n\n\ncityid = %s\n\n\n" % cityid
-----------------------------------------
返回到/tmp/scrapy-test/crawdp/目录，在这个目录下执行"scrapy crawl cityid_spider"，可以看到打印出来的结果是"cityid = 1"，在默认配置下，顺带会打印很多log信息，所以我在这句加了几个换行符，让它显示得清楚一点。
注意，这里有几个关键点：
a. cityid_spider.py这个文件，必须放在/tmp/scrapy-test/crawdp/crawdp/spiders目录下，放在别的地方，scrapy找不到。
b. 源代码里，name = "cityid_spider"这句必须有，这里指定了spider的名字，scrapy靠名字识别不同的spider。
c. 必须在/tmp/scrapy-test/crawdp/下执行"scrapy crawl cityid_spider"，在别的目录下不行。
其他的，可以把class CityidSpider类名换成别的，没关系，也可以cityid_spider.py文件名换成别的名字，也没关系，不影响效果。
这个spider是一切spider的基本型，更复杂的spider都是在它的基础上逐渐添加更多功能做出来的。
4. 这个spider是干什么的
在大众点评网，每个城市都有一个数字代号，比如上海是1，北京是2，深圳是7。它家的总部在上海，所以上海是1号。如果想抓更多城市的餐厅，就需要知道城市代号。上海的城市代号，可以从http://www.dianping.com/shanghai/food抓取。在浏览器打开http://www.dianping.com/shanghai/food，在左侧的“商区”下面，有“陆家嘴”，在它上面点击右键，选择“审查元素”，如果你用的是chrome，浏览器会开一个窗口，用高亮色定位到陆家嘴对应的html元素，这个元素包含一个超级链接，叫"/search/category/1/10/r801" ，那么上海的cityid就是超级链接里的category后面"1",而这个链接，是嵌套在一个固定的层次式的html元素里，也就是形如代码里形如"//ul[@class=\"nc_list\"]/li/a/@href"的结构，这种写法叫xpath。
执行"scrapy crawl cityid_spider"的时候，spider开始运行，它先检查spider源代码里的“start_urls = ["http://www.dianping.com/shanghai/food"]”，根据这个url，从大众点评网上抓取html文件内容，存在response里，然后调用parse函数，从response里用xpath解析出所有符合"//ul[@class=\"nc_list\"]/li/a/@href"的html元素，取第一个，得到一个类似“/search/category/1/10/r801”的字符串，然后将它以‘/‘为间隔做分割，取第3个，就是"1"，就是cityid，这就是parse函数的前四条语句做的事情。
这块写的略有一点不人性化，术语比较多。那么，想做抓取的话，至少要懂一点html，css，web server，xpath，略微有点基础就行。这些东西在这里就不展开了，找本入门书看看就可以了。
有各种语言版本的开源爬虫，c++, Java, php，在github上搜一下，以"spider c++"为关键字，有245个开源爬虫，以"spider java"为关键字，有48个。那python呢？156个。
爬虫技术在业界已经很成熟了，有很多开源框架，在它们的帮助下写爬虫可以很快，几个小时就能写一个不错的东东用。爬虫技术也会很复杂，如果要做分布式抓取和全文检索，一般使用Nutch。
最有名的Python爬虫框架是Scrapy，这个名字也蛮有意思的，估计是Spider，Crawler，python各取部分字符组合起来的，它的官方主页在http://scrapy.org/。
1. 安装Scrapy
安装Scrapy很简单，linux系统的话，一条语句就可以了，"sudo pip install Scrapy"。通常python在Linux各发行版上都是默认安装的。pip是python的包管理工具，执行install命令后，它会从网上下载最新版本的Scrapy安装。安装完毕，在命令行输入命令"scrapy version"，会打印scrapy的版本，表明安装成功。
2. 生成项目目录
如果要抓取大众点评网，需要先创建项目。选择一个空目录，比如在我的电脑上是/tmp/scrapy-test，在命令行输入"scrapy startproject crawdp"，startproject是scrapy的一个命令。执行后，在/tmp/scrapy-test目录会出现一个新目录crawdp，它包含scrawdp项目所需要的一切东东，如源代码和配置文件。运行"tree crawdp"，可以看到整个目录结构。
那么，"startproject""创建项目"这个高大上字眼背后的真相是什么呢？其实不复杂，就是创建一个项目名的目录和它的几个子目录，然后复制几个指定的文件到这些目录，再把这些文件里的几个特定字符串替换成项目名。这块的代码在scrapy源代码的scrapy/command/commands目录下的startproject.py文件里，而在"tree crawdp"看到的文件，它们的原型在scrapy/templates/project/module目录下，如settings.py.tmpl文件，把它里面的字符串"$project_name"用"crawdp"替换，再把文件名改成settings.py，就是crawdp的settings.py文件。
像settings.py.tmpl这样的文件，又称为模板文件，把模板里的变量用字符串替换掉，叫渲染（render）。在web server的开发中也同样使用这种技术，前端工程师设计html文件，里面包含形如"$project_name"之类的变量，保存成模板文件，而服务器在运行的时候，用运行时产生的字符串替换掉模板里的变量，再把替换后的内容发给浏览器，就是我们看到的网页，所以叫动态页面。
3. 第一个spider
开始写第一个spider，这是一个非常简单的spider，只有13行代码。
在/tmp/scrapy-test/crawdp/crawdp/spiders目录下，创建文件cityid_spider.py，内容如下：
-----------------------------------------
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
class CityidSpider(BaseSpider):
name = "cityid_spider"
start_urls = ["http://www.dianping.com/shanghai/food"]
def parse(self, response):
hxs = HtmlXPathSelector(response)
xs = hxs.select(‘//ul[@class=\"nc_list\"]/li/a/@href‘)
x = xs[0]
cityid = x.extract().split(‘/‘)[3]
print "\n\n\ncityid = %s\n\n\n" % cityid
-----------------------------------------
返回到/tmp/scrapy-test/crawdp/目录，在这个目录下执行"scrapy crawl cityid_spider"，可以看到打印出来的结果是"cityid = 1"，在默认配置下，顺带会打印很多log信息，所以我在这句加了几个换行符，让它显示得清楚一点。
注意，这里有几个关键点：
a. cityid_spider.py这个文件，必须放在/tmp/scrapy-test/crawdp/crawdp/spiders目录下，放在别的地方，scrapy找不到。
b. 源代码里，name = "cityid_spider"这句必须有，这里指定了spider的名字，scrapy靠名字识别不同的spider。
c. 必须在/tmp/scrapy-test/crawdp/下执行"scrapy crawl cityid_spider"，在别的目录下不行。
其他的，可以把class CityidSpider类名换成别的，没关系，也可以cityid_spider.py文件名换成别的名字，也没关系，不影响效果。
这个spider是一切spider的基本型，更复杂的spider都是在它的基础上逐渐添加更多功能做出来的。
4. 这个spider是干什么的
在大众点评网，每个城市都有一个数字代号，比如上海是1，北京是2，深圳是7。它家的总部在上海，所以上海是1号。如果想抓更多城市的餐厅，就需要知道城市代号。上海的城市代号，可以从http://www.dianping.com/shanghai/food抓取。在浏览器打开http://www.dianping.com/shanghai/food，在左侧的“商区”下面，有“陆家嘴”，在它上面点击右键，选择“审查元素”，如果你用的是chrome，浏览器会开一个窗口，用高亮色定位到陆家嘴对应的html元素，这个元素包含一个超级链接，叫"/search/category/1/10/r801" ，那么上海的cityid就是超级链接里的category后面"1",而这个链接，是嵌套在一个固定的层次式的html元素里，也就是形如代码里形如"//ul[@class=\"nc_list\"]/li/a/@href"的结构，这种写法叫xpath。
执行"scrapy crawl cityid_spider"的时候，spider开始运行，它先检查spider源代码里的“start_urls = ["http://www.dianping.com/shanghai/food"]”，根据这个url，从大众点评网上抓取html文件内容，存在response里，然后调用parse函数，从response里用xpath解析出所有符合"//ul[@class=\"nc_list\"]/li/a/@href"的html元素，取第一个，得到一个类似“/search/category/1/10/r801”的字符串，然后将它以‘/‘为间隔做分割，取第3个，就是"1"，就是cityid，这就是parse函数的前四条语句做的事情。
这块写的略有一点不人性化，术语比较多。那么，想做抓取的话，至少要懂一点html，css，web server，xpath，略微有点基础就行。这些东西在这里就不展开了，找本入门书看看就可以了。
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
