上次把scrapy环境配置好了,这次试着来做些实际的东西。
关于scrapy抓取网页的文章已经有很多了,但大多数的内容已经过期,不再适用于最新的scrapy版本,故在此另作一文,记录学习过程。
目标是一个政府网站,红框内的部分。
思路很简单:
有了url之后,用xpath表达式提取出来,再写到文件里即可
如果之前没有scrapy的经验,可以先看看这两篇文章:
http://www.cnblogs.com/txw1958/archive/2012/07/16/scrapy-tutorial.html
教你快速上手一个scrapy项目
以及
http://www.ituring.com.cn/article/114408
教你从豆瓣上抓取电影信息
值得注意的是,第二篇文章里的有些方法已经不推荐使用,这里做了改进
talk is cheap,show me the code:
#coding=utf-8
import sys
from scrapy.spider import BaseSpider
from scrapy.selector import Selector
from scrapy.contrib.spiders import CrawlSpider,Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
import json
reload(sys)
sys.setdefaultencoding(‘utf8‘)
class DmozSpider(BaseSpider):
name = "dmoz"
allowed_domains=[""]
start_urls=["http://www.jjkjj.gov.cn/"]
def parse(self,response):
filename = response.url.split("/")[-2]
titles=[] titles.extend(response.selector.xpath(‘//div[@class ="Work_News_line"]/a/text()‘).extract())
open(filename,‘w‘).write(json.dumps(titles, encoding="gb2312", ensure_ascii=False))
下面来分析代码:
from scrapy.spider import BaseSpider
这里是基于单个页面的抓取,因此使用BaseSpider,基于链接跳转的爬虫可以看一下第二篇文章
name = "dmoz"
allowed_domains=[""]
start_urls=["http://www.jjkjj.gov.cn/"]
start_urls就是主域名,
因此allowed_domain设置为空
def parse(self,response):
filename = response.url.split("/")[-2]
titles=[] titles.extend(response.selector.xpath(‘//div[@class ="Work_News_line"]/a/text()‘).extract())
这个markdown编辑器缩进有点问题,titles.extend…这一行应该和上面一行保持同一缩进,不然会报出
Python运行错误,raise notImplementedError
当遇到这种错误时,检查下缩进,一般就能解决
接下来看xpath表达式,
具体含义为:找到class属性为”Work_News_line”的div,其下面的<a>
标签的值
extract()函数 返回一个unicode字符串,该字符串为XPath选择器返回的数据
关于xpath的使用,还有一些需要注意的地方
在上面第二篇文章中,使用xpath的方式是:
sel=Selector(response) item=DoubanmoiveItem() item[‘name‘]=sel.xpath(‘//[@id="content"]/h1/span[1]/text()‘).extract()
新版本的scrapy不建议这样使用
因此我改成了上面的写法
接下来是最头疼的中文显示问题了
在shell里面看看xpath的查询结果:
一堆Unicode字符,其实这样也算抓取成功了,但基本上不可用,还是需要将其转化成中文。
感觉scrapy,乃至python在字符集这一块做得都不是很好,
再来看上面的代码:
titles=[] titles.extend(response.selector.xpath(‘//div[@class ="Work_News_line"]/a/text()‘).extract())
这里声明了一个列表,每查询到一个值,就将其放到列表里,然后需要将这个列表转成字符串写入文件。
python本身提供了str()
方法,用于将任意对象转换成字符串,但没有对中文提供支持,转出来的字符串还是unicode编码。
具体见这篇帖子:str字符串转化
有一种解决办法是利用python自带的json模块
open(filename,‘w‘).write(json.dumps(titles, encoding="gb2312", ensure_ascii=False))
这样就ok
我们把抓到的数据写到了文件里面,下面看看结果: