看這篇文章的人，我假設你們都已經學會了python（派森），然后下面的知識都是python的擴展（框架）。
在這篇入門教程中，我們假定你已經安裝了Scrapy。如果你還沒有安裝，那么請參考安裝指南。
我們將使用開放目錄項目(dmoz)作為抓取的例子。
這篇入門教程將引導你完成如下任務：
- 創建一個新的Scrapy項目
- 定義提取的Item
- 寫一個Spider用來爬行站點，並提取Items
- 寫一個Item Pipeline用來存儲提取出的Items
Scrapy是由Python編寫的。如果你是Python新手，你也許希望從了解Python開始，以期最好的使用Scrapy。如果你對其它編程語言熟悉，想快速的學習Python，這里推薦 Dive Into Python。如果你對編程是新手，且想從Python開始學習編程，請看下面的對非程序員的Python資源列表。
新建工程
在抓取之前，你需要新建一個Scrapy工程。進入一個你想用來保存代碼的目錄，然后執行：
Microsoft Windows XP [Version 5.1.2600] (C) Copyright 1985-2001 Microsoft Corp. T:\>scrapy startproject tutorial T:\>
這個命令會在當前目錄下創建一個新目錄tutorial，它的結構如下：
T:\tutorial>tree /f
Folder PATH listing
Volume serial number is 0006EFCF C86A:7C52
T:.
│ scrapy.cfg
│
└─tutorial
│ items.py
│ pipelines.py
│ settings.py
│ __init__.py
│
└─spiders
__init__.py
這些文件主要是：
- scrapy.cfg: 項目配置文件
- tutorial/: 項目python模塊, 呆會代碼將從這里導入
- tutorial/items.py: 項目items文件
- tutorial/pipelines.py: 項目管道文件
- tutorial/settings.py: 項目配置文件
- tutorial/spiders: 放置spider的目錄
定義Item
Items是將要裝載抓取的數據的容器，它工作方式像python里面的字典，但它提供更多的保護，比如對未定義的字段填充以防止拼寫錯誤。
它通過創建一個scrapy.item.Item類來聲明，定義它的屬性為scrpy.item.Field對象，就像是一個對象關系映射(ORM).
我們通過將需要的item模型化，來控制從dmoz.org獲得的站點數據，比如我們要獲得站點的名字，url和網站描述，我們定義這三種屬性的域。要做到這點，我們編輯在tutorial目錄下的items.py文件，我們的Item類將會是這樣
from scrapy.item import Item, Field
class DmozItem(Item):
title = Field()
link = Field()
desc = Field()
剛開始看起來可能會有些困惑，但是定義這些item能讓你用其他Scrapy組件的時候知道你的 items到底是什么。
我們的第一個爬蟲(Spider)
Spider是用戶編寫的類，用於從一個域（或域組）中抓取信息。
他們定義了用於下載的URL的初步列表，如何跟蹤鏈接，以及如何來解析這些網頁的內容用於提取items。
要建立一個Spider，你必須為scrapy.spider.BaseSpider創建一個子類，並確定三個主要的、強制的屬性：
- name：爬蟲的識別名，它必須是唯一的，在不同的爬蟲中你必須定義不同的名字.
- start_urls：爬蟲開始爬的一個URL列表。爬蟲從這里開始抓取數據，所以，第一次下載的數據將會從這些URLS開始。其他子URL將會從這些起始URL中繼承性生成。
- parse()：爬蟲的方法，調用時候傳入從每一個URL傳回的Response對象作為參數，response將會是parse方法的唯一的一個參數,
這個方法負責解析返回的數據、匹配抓取的數據(解析為item)並跟蹤更多的URL。
這是我們的第一只爬蟲的代碼，將其命名為dmoz_spider.py並保存在tutorial\spiders目錄下。
from scrapy.spider import BaseSpider
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
filename = response.url.split("/")[-2]
open(filename, 'wb').write(response.body)
爬爬爬
為了讓我們的爬蟲工作，我們返回項目主目錄執行以下命令
T:\tutorial>scrapy crawl dmoz
crawl dmoz 命令從dmoz.org域啟動爬蟲。 你將會獲得如下類似輸出
T:\tutorial>scrapy crawl dmoz
2012-07-13 19:14:45+0800 [scrapy] INFO: Scrapy 0.14.4 started (bot: tutorial)
2012-07-13 19:14:45+0800 [scrapy] DEBUG: Enabled extensions: LogStats, TelnetConsole, CloseSpider, WebService, CoreStats, SpiderState
2012-07-13 19:14:45+0800 [scrapy] DEBUG: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddleware, UserAgentMiddleware, RetryMiddleware, DefaultHeadersMiddleware, RedirectMiddleware, CookiesMiddleware, HttpCompressionMiddleware, ChunkedTransferMiddleware, DownloaderStats
2012-07-13 19:14:45+0800 [scrapy] DEBUG: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, RefererMiddleware, UrlLengthMiddleware, DepthMiddleware
2012-07-13 19:14:45+0800 [scrapy] DEBUG: Enabled item pipelines:
2012-07-13 19:14:45+0800 [dmoz] INFO: Spider opened
2012-07-13 19:14:45+0800 [dmoz] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2012-07-13 19:14:45+0800 [scrapy] DEBUG: Telnet console listening on 0.0.0.0:6023
2012-07-13 19:14:45+0800 [scrapy] DEBUG: Web service listening on 0.0.0.0:6080
2012-07-13 19:14:46+0800 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/> (referer: None)
2012-07-13 19:14:46+0800 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/> (referer: None)
2012-07-13 19:14:46+0800 [dmoz] INFO: Closing spider (finished)
2012-07-13 19:14:46+0800 [dmoz] INFO: Dumping spider stats:
{'downloader/request_bytes': 486,
'downloader/request_count': 2,
'downloader/request_method_count/GET': 2,
'downloader/response_bytes': 13063,
'downloader/response_count': 2,
'downloader/response_status_count/200': 2,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2012, 7, 13, 11, 14, 46, 703000),
'scheduler/memory_enqueued': 2,
'start_time': datetime.datetime(2012, 7, 13, 11, 14, 45, 500000)}
2012-07-13 19:14:46+0800 [dmoz] INFO: Spider closed (finished)
2012-07-13 19:14:46+0800 [scrapy] INFO: Dumping global stats:
{}
注意包含 [dmoz]的行 ，那對應着我們的爬蟲。你可以看到start_urls中定義的每個URL都有日志行。因為這些URL是起始頁面，所以他們沒有引用(referrers)，所以在每行的末尾你會看到 (referer: <None>).
有趣的是，在我們的 parse 方法的作用下，兩個文件被創建：分別是 Books 和 Resources，這兩個文件中有URL的頁面內容。
發生了什么事情?
Scrapy為爬蟲的 start_urls屬性中的每個URL創建了一個 scrapy.http.Request 對象 ，並將爬蟲的parse 方法指定為回調函數。
這些 Request首先被調度，然后被執行，之后通過parse()方法，scrapy.http.Response 對象被返回，結果也被反饋給爬蟲。
提取Item
選擇器介紹
我們有很多方法從網站中提取數據。Scrapy 使用一種叫做 XPath selectors的機制，它基於 XPath表達式。如果你想了解更多selectors和其他機制你可以查閱資料http://doc.scrapy.org/topics/selectors.html#topics-selectors
這是一些XPath表達式的例子和他們的含義
- /html/head/title: 選擇HTML文檔<head>元素下面的<title> 標簽。
- /html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內容
- //td: 選擇所有 <td> 元素
- //div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標簽元素
這只是幾個使用XPath的簡單例子，但是實際上XPath非常強大。如果你想了解更多XPATH的內容，我們向你推薦這個XPath教程http://www.w3schools.com/XPath/default.asp
為了方便使用XPaths，Scrapy提供XPathSelector 類， 有兩種口味可以選擇， HtmlXPathSelector (HTML數據解析) 和XmlXPathSelector (XML數據解析)。 為了使用他們你必須通過一個 Response 對象對他們進行實例化操作。你會發現Selector對象展示了文檔的節點結構。因此，第一個實例化的selector必與根節點或者是整個目錄有關 。
Selectors 有三種方法
- path()：返回selectors列表, 每一個select表示一個xpath參數表達式選擇的節點.
- extract()：返回一個unicode字符串，該字符串為XPath選擇器返回的數據
- re()： 返回unicode字符串列表，字符串作為參數由正則表達式提取出來
嘗試在shell中使用Selectors
為了演示Selectors的用法，我們將用到 內建的Scrapy shell，這需要系統已經安裝IPython (一個擴展python交互環境) 。
附IPython下載地址：http://pypi.python.org/pypi/ipython#downloads
要開始shell，首先進入項目頂層目錄，然后輸入
T:\tutorial>scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/
輸出結果類似這樣：
2012-07-16 10:58:13+0800 [scrapy] INFO: Scrapy 0.14.4 started (bot: tutorial)
2012-07-16 10:58:13+0800 [scrapy] DEBUG: Enabled extensions: TelnetConsole, CloseSpider, WebService, CoreStats, SpiderState
2012-07-16 10:58:13+0800 [scrapy] DEBUG: Enabled downloader middlewares: HttpAuthMiddleware, DownloadTimeoutMiddleware, UserAgentMiddleware, RetryMiddleware, DefaultHeadersMiddleware, RedirectMiddleware, CookiesMiddleware, HttpCompressionMiddleware, ChunkedTransferMiddleware, DownloaderStats
2012-07-16 10:58:13+0800 [scrapy] DEBUG: Enabled spider middlewares: HttpErrorMiddleware, OffsiteMiddleware, RefererMiddleware, UrlLengthMiddleware, DepthMiddleware
2012-07-16 10:58:13+0800 [scrapy] DEBUG: Enabled item pipelines:
2012-07-16 10:58:13+0800 [scrapy] DEBUG: Telnet console listening on 0.0.0.0:6023
2012-07-16 10:58:13+0800 [scrapy] DEBUG: Web service listening on 0.0.0.0:6080
2012-07-16 10:58:13+0800 [dmoz] INFO: Spider opened
2012-07-16 10:58:18+0800 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/> (referer: None)
[s] Available Scrapy objects:
[s] hxs <HtmlXPathSelector xpath=None data=u'<html><head><meta http-equiv="Content-Ty'>
[s] item {}
[s] request <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
[s] response <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
[s] settings <CrawlerSettings module=<module 'tutorial.settings' from 'T:\tutorial\tutorial\settings.pyc'>>
[s] spider <DmozSpider 'dmoz' at 0x1f68230>
[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
WARNING: Readline services not available or not loaded.WARNING: Proper color support under MS Windows requires the pyreadline library.
You can find it at:
http://ipython.org/pyreadline.html
Gary's readline needs the ctypes module, from:
http://starship.python.net/crew/theller/ctypes
(Note that ctypes is already part of Python versions 2.5 and newer).
Defaulting color scheme to 'NoColor'Python 2.7.3 (default, Apr 10 2012, 23:31:26) [MSC v.1500 32 bit (Intel)]
Type "copyright", "credits" or "license" for more information.
IPython 0.13 -- An enhanced Interactive Python.
? -> Introduction and overview of IPython's features.
%quickref -> Quick reference.
help -> Python's own help system.
object? -> Details about 'object', use 'object??' for extra details.
In [1]:
Shell載入后，你將獲得回應，這些內容被存儲在本地變量 response 中，所以如果你輸入response.body 你將會看到response的body部分，或者輸入response.headers 來查看它的 header部分。
Shell也實例化了兩種selectors，一個是解析HTML的 hxs 變量，一個是解析 XML 的 xxs 變量。我們來看看里面有什么：
In [1]: hxs.path('//title')
Out[1]: [<HtmlXPathSelector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]
In [2]: hxs.path('//title').extract()
Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']
In [3]: hxs.path('//title/text()')
Out[3]: [<HtmlXPathSelector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]
In [4]: hxs.path('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']
In [5]: hxs.path('//title/text()').re('(\w+):')
Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']
In [6]:
提取數據
現在我們嘗試從網頁中提取數據。
你可以在控制台輸入 response.body， 檢查源代碼中的 XPaths 是否與預期相同。然而，檢查HTML源代碼是件很枯燥的事情。為了使事情變得簡單，我們使用Firefox的擴展插件Firebug。更多信息請查看Using Firebug for scraping 和Using Firefox for scraping.
txw1958注：事實上我用的是Google Chrome的Inspect Element功能，而且可以提取元素的XPath。
檢查源代碼后，你會發現我們需要的數據在一個 <ul>元素中，而且是第二個<ul>。
我們可以通過如下命令選擇每個在網站中的 <li> 元素:
hxs.path('//ul/li')
然后是網站描述:
hxs.path('//ul/li/text()').extract()
網站標題:
hxs.path('//ul/li/a/text()').extract()
網站鏈接:
hxs.path('//ul/li/a/@href').extract()
如前所述，每個path()調用返回一個selectors列表，所以我們可以結合path()去挖掘更深的節點。我們將會用到這些特性，所以:
sites = hxs.path('//ul/li')
for site in sites:
title = site.path('a/text()').extract()
link = site.path('a/@href').extract()
desc = site.path('text()').extract()
print title, link, desc
Note
更多關於嵌套選擇器的內容，請閱讀Nesting selectors 和 Working with relative XPaths
將代碼添加到爬蟲中：
txw1958注：代碼有修改，綠色注釋掉的代碼為原教程的，你懂的
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.path('//fieldset/ul/li')
#sites = hxs.path('//ul/li')
for site in sites:
title = site.path('a/text()').extract()
link = site.path('a/@href').extract()
desc = site.path('text()').extract()
#print title, link, desc
print title, link
現在我們再次抓取dmoz.org，你將看到站點在輸出中被打印 ，運行命令
T:\tutorial>scrapy crawl dmoz
使用條目(Item)
Item 對象是自定義的python字典，使用標准字典類似的語法，你可以獲取某個字段(即之前定義的類的屬性)的值:
>>> item = DmozItem() >>> item['title'] = 'Example title' >>> item['title'] 'Example title'
Spiders希望將其抓取的數據存放到Item對象中。為了返回我們抓取數據，spider的最終代碼應當是這樣:
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from tutorial.items import DmozItem
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
hxs = HtmlXPathSelector(response)
sites = hxs.path('//fieldset/ul/li')
#sites = hxs.path('//ul/li')
items = []
for site in sites:
item = DmozItem()
item['title'] = site.path('a/text()').extract()
item['link'] = site.path('a/@href').extract()
item['desc'] = site.path('text()').extract()
items.append(item)
return items
現在我們再次抓取 :
2012-07-16 14:52:36+0800 [dmoz] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
{'desc': [u'\n\t\t\t\n\t',
u' \n\t\t\t\n\t\t\t\t\t\n - Free Python books and tutorials.\n \n'],
'link': [u'http://www.techbooksforfree.com/perlpython.shtml'],
'title': [u'Free Python books']}
2012-07-16 14:52:36+0800 [dmoz] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Books/>
{'desc': [u'\n\t\t\t\n\t',
u' \n\t\t\t\n\t\t\t\t\t\n - Annotated list of free online books on Python scripting language. Topics range from beginner to advanced.\n \n
'],
'link': [u'http://www.freetechbooks.com/python-f6.html'],
'title': [u'FreeTechBooks: Python Scripting Language']}
2012-07-16 14:52:36+0800 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/> (referer: None)
2012-07-16 14:52:36+0800 [dmoz] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/>
{'desc': [u'\n\t\t\t\n\t',
u' \n\t\t\t\n\t\t\t\t\t\n - A directory of free Python and Zope hosting providers, with reviews and ratings.\n \n'],
'link': [u'http://www.oinko.net/freepython/'],
'title': [u'Free Python and Zope Hosting Directory']}
2012-07-16 14:52:36+0800 [dmoz] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/>
{'desc': [u'\n\t\t\t\n\t',
u' \n\t\t\t\n\t\t\t\t\t\n - Features Python books, resources, news and articles.\n \n'],
'link': [u'http://oreilly.com/python/'],
'title': [u"O'Reilly Python Center"]}
2012-07-16 14:52:36+0800 [dmoz] DEBUG: Scraped from <200 http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/>
{'desc': [u'\n\t\t\t\n\t',
u' \n\t\t\t\n\t\t\t\t\t\n - Resources for reporting bugs, accessing the Python source tree with CVS and taking part in the development of Python.\n\n'],
'link': [u'http://www.python.org/dev/'],
'title': [u"Python Developer's Guide"]}
保存抓取的數據
保存信息的最簡單的方法是通過Feed exports，命令如下：
T:\tutorial>scrapy crawl dmoz -o items.json -t json
所有抓取的items將以JSON格式被保存在新生成的items.json 文件中
在像本教程一樣的小型項目中，這些已經足夠。然而，如果你想用抓取的items做更復雜的事情，你可以寫一個 Item Pipeline(條目管道)。因為在項目創建的時候，一個專門用於條目管道的占位符文件已經隨着items一起被建立，目錄在tutorial/pipelines.py。如果你只需要存取這些抓取后的items的話，就不需要去實現任何的條目管道。
結束語
本教程簡要介紹了Scrapy的使用，但是許多其他特性並沒有提及。
對於基本概念的了解，請訪問Basic concepts
我們推薦你繼續學習Scrapy項目的例子dirbot，你將從中受益更深，該項目包含本教程中提到的dmoz爬蟲。
Dirbot項目位於https://github.com/scrapy/dirbot
項目包含一個README文件，它詳細描述了項目的內容。
如果你熟悉git，你可以checkout它的源代碼。或者你可以通過點擊Downloads下載tarball或zip格式的文件。
另外這有一個代碼片斷共享網站，里面共享內容包括爬蟲，中間件，擴展應用，腳本等。網站名字叫Scrapy snippets，有好的代碼要記得共享哦:-)
文件源碼附件稍后上傳……