使用scrapy进行数据爬取

1.scrapy是一个python进行网页爬取的库

　　文档：http://scrapy-chs.readthedocs.org/zh_CN/latest/index.html

　　安装：sudo pip easy_install scrapy

2.生成项目

　　scrapy startproject projectname

　　目录结构:

tutorial/
    scrapy.cfg
    tutorial/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py
            ...

scrapy.cfg: 项目的配置文件
tutorial/: 该项目的python模块。之后您将在此加入代码。
tutorial/items.py: 项目中的item文件.
tutorial/pipelines.py: 项目中的pipelines文件.
tutorial/settings.py: 项目的设置文件.
tutorial/spiders/: 放置spider代码的目录.

3.定义item

　　Item 是保存爬取到的数据的容器；其使用方法和python字典类似，并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。

　　类似在ORM中做的一样，您可以通过创建一个 scrapy.item.Item 类，并且定义类型为scrapy.item.Field 的类属性来定义一个Item。 (如果不了解ORM, 不用担心，您会发现这个步骤非常简单)

　　首先根据需要从dmoz.org获取到的数据对item进行建模。我们需要从dmoz中获取名字，url，以及网站的描述。对此，在item中定义相应的字段。编辑 tutorial 目录中的 items.py 文件:

from scrapy.item import Item, Field

class CnblogItem(Item):
    title = Field()
    link = Field()
    url = Field()

3.编辑spider

　　为了创建一个Spider，您必须继承 scrapy.spider.Spider 类，且定义以下三个属性:　

name: 用于区别Spider。该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。
start_urls: 包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。
parse_item() 是spider的一个方法。被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

　　以下为我们的第一个Spider代码，保存在 tutorial/spiders 目录下的 dmoz_spider.py 文件中:

from scrapy.selector import Selector
from scrapy.contrib.spiders import CrawlSpider,Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor

from cnblog.items import CnblogItem

class DmozSpider(CrawlSpider):
    name = 'dmoz'
    allowed_domains = ['cnblogs.com']
    start_urls = ['http://www.cnblogs.com/yu-zhang']

    rules = [
        Rule(SgmlLinkExtractor(allow=('yu-zhang/default.html?page=([w]+)', ),)),
        Rule(SgmlLinkExtractor(allow=('yu-zhang/p/', )), callback='parse_item'),
    ]

    def parse_item(self, response):
        sel = Selector(response)
        sites = sel.xpath('//h1')
        items = []
        for site in sites:
            item = CnblogItem()
            item['title'] = sel.xpath('/html/head/title/text()').extract()
            item['link'] = site.xpath('a/@href').extract()
            item['url'] = response.url
            items.append(item)
            return items

4.抓取

　　执行命令 scrapy crawl dmoz 便可进行抓取

　　执行命令 scrapy crawl dmoz -o items.json -t json 可将抓取内容保存在item.json文件中