Scrapy爬虫 -- 02

标签：des   style   http   io   os   ar   java   strong   数据   

爬虫最基本的部分是要将网页下载，而最重要的部分是过滤 -- 获取我们需要的信息。

而scrapy正好提供了这个功能：

首先我们要定义items：

Itemsare containers that will be loaded with the scraped data; they work like simple python dicts but provide additional protection against populating undeclared fields, to prevent typos.

摘自官网，大意就是说iteams是用来存储抓取的数据结构，提供相对与python字典类型额外的类型保护。（这个具体的保护方式待研究）

示例如下：

project/items.py

import scrapyclass DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

然后我们需要编写Spider，抓取网页并选择信息，将其放入items之中。

示例如下：

import scrapyclass DmozSpider(scrapy.Spider):
    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]
        with open(filename, ‘wb‘) as f:
            f.write(response.body)

说明：

1. name Spider的名字，这个名字要在这个项目之中唯一，原因稍后就知道了。

2. allowed_domains,这个是域名设置，即是否抓取其他域名，一般摄制成要start_urls中地址的域名即可

3. start_urls 这是一个列表，表示scrapy抓取网页的起始位置，以样例为例，如果你要抓取http://www.dmoz.org/Computers/Programming/Languages/Python/Books/中所有的图书，那start_urls就是上述网址。
4. parse函数 个人认为类似于java中接口的概念，scrapy向网站发出request，然后调用DmozSpider中的parse函数对返回的response进行处理。

开始启动蜘蛛：

scrapy crawl dmoz

正常的化输出如下：

2014-01-23 18:13:07-0400 [scrapy] INFO: Scrapy started (bot: tutorial)
2014-01-23 18:13:07-0400 [scrapy] INFO: Optional features available: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Overridden settings: {}
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled extensions: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled downloader middlewares: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled spider middlewares: ...
2014-01-23 18:13:07-0400 [scrapy] INFO: Enabled item pipelines: ...
2014-01-23 18:13:07-0400 [dmoz] INFO: Spider opened
2014-01-23 18:13:08-0400 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/> (referer: None)
2014-01-23 18:13:09-0400 [dmoz] DEBUG: Crawled (200) <GET http://www.dmoz.org/Computers/Programming/Languages/Python/Books/> (referer: None)
2014-01-23 18:13:09-0400 [dmoz] INFO: Closing spider (finished)

待续

Scrapy爬虫 -- 02

标签：des   style   http   io   os   ar   java   strong   数据   

原文地址：http://my.oschina.net/u/1242185/blog/324256