[Python] Scrapy

Reference: Scrapy Documentation

Installation: pip install scrapy

Create Project: scrapy startproject [project name]

Project Directory Tree:
““
tutorial/
scrapy.cfg
tutorial/
init.py
items.py
pipelines.py
settings.py
spiders/
init.py

進入專案以後,我們首先要設定哪些項目是我們要抓的,因此要編輯 /tutorial/items.py:

from scrapy.item import Item, Field
class TutorialItem(Item):
title = Field()
link = Field()
desc = Field()

*這些 Field() 是在 scrapy.item 中定義的類別,在此我們宣告了三個 scrapy.item 的 Field 物件

接著就是要編寫我們的第一個 Crawler,在 /tutorial/spiders 中建立一個檔案 dmoz_spider.py(你的crawler檔):
from scrapy.spider import Spider

class DmozSpider(Spider):
  name = "dmoz"                        // 設定 crawler  的名稱
  allowed_domains = ["dmoz.org"]    // ???
  start_urls = [                    //  設定要爬的網頁 URL 列表
      "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
   "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
  ]

  /* 定義抓回來物件的處理函式 */
  def parse(self, response):
      filename = response.url.split("/")[-2]  // 從最後面開始擷取字元為 filename,並在遇到 '/' 時結束擷取
    with open(filename, "wb") as f:            // 建立或開啟名為 filename 的檔案,並指定為 f 
        f.write(response.body)              // 將物件 response 的 body 內容寫入檔案中
然後就可以執行這隻爬蟲程式,將上面兩個 URL 的網頁抓下來了,回到專案的根目錄,輸入:

scrapy crawl [spider_name]
“`

螢幕快照 2014-05-27 下午6.16.41.png

然後就得到下面的執行畫面,並且在根目錄下得到 Books 和 Resources 這兩個 URL 的網頁檔案

螢幕快照 2014-05-27 下午6.34.33.png

在 tutorial/spiders 中,我們可以編寫多個 spider,但是各個 spider 的名稱 (name 屬性) 必須唯一

Note:
本文參考的 Document 版本是 0.22.2,這個版本的專案預設 import 方式與 0.23.0 有點不一樣
在 0.22.2 的 from scrapy.xxx import …. 到了 0.23.0 中是 import scrapy
所以像是:

from scrapy.item import Item

class DmozItem(Item):

都要改成:

import scrapy

class DmozItem(scrapy.Item):

另外要注意的是,from 那邊是 item,import 是 Item,大小寫不一樣!