Scrapy 快速上手

Scrapy 架構圖

Spiders --> Scheduler --> Downloader --> 回到 Spiders，過濾抓到的資訊 --> 依 Item Pipeline 存抓到的資料

想了更深入了解架構可以細讀這篇官方文件

在寫 Spider 時心中要有這張圖，很重要!!

從 Scrapy Shell 開始吧~

Scrapy shell 這是一個 python 直譯器，可以動態顯示執行的結果。

Step

1. 開啟一個 Scrapy shell 抓以下網站的資料

scrapy shell "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/"

2. 試一下吧~

In [1]: sel.xpath('//title')
Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]

In [2]: sel.xpath('//title').extract()
Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']

In [3]: sel.xpath('//title/text()')
Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]

In [4]: sel.xpath('//title/text()').extract()
Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']

In [5]: sel.xpath('//title/text()').re('(w+):')
Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']

上面是使用 Xpath 語法抓網頁的資訊，預設輸出使用 JSON 格式

3. 結束輸入exit

對於 Xpath 語法不熟的話，可參考以下網址:

1. http://www.w3schools.com/XPath/

2. http://msdn.microsoft.com/zh-tw/library/ms256086(v=vs.110).aspx

練習 Xpath 的測試網站: http://www.freeformatter.com/xpath-tester.html

如果使用 Chrome 瀏覽器的話，可以安裝 Xpath Helper 套件，協助分析 Xpath 語法，強烈推薦!!

經驗談: 寫 Spider 之前，先用 Scrapy shell 測試抓的資料是否正確? 確認 Xpath 語法可正確抓到想要的資料後，在開始寫 Spider 會省下很多時間。

開始寫第一個 Spider 吧~

基本流程如下:

1. 建立一個新 Scrapy 專案

2. 定義你需要的 Item

3. 寫一個 Spider 抓資料

4. 寫一個 Item Pipeline 存抓到的資料

Step

1. 建立一個專案，名稱 tutorial

scrapy startproject tutorial

tutorial/
├── tutorial
│   ├── __init__.py
│   ├── items.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders
│       └── __init__.py
└── scrapy.cfg

2. 編輯 tutorial/tutorial/items.py 定義 Item

from scrapy.item import Item, Field

class DmozItem(Item):
    title = Field()
    link = Field()
    desc = Field()

3. 建立 tutorial/tutorial/spiders/dmoz_spider.py 檔案，開始寫一個 Spider

from scrapy.spider import Spider
from scrapy.selector import Selector

from tutorial.items import DmozItem

class DmozSpider(Spider):
    name = "dmoz"   #給 Spider 取個名子
    allowed_domains = ["dmoz.org"]  #要抓的Domain
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  #要抓的網址
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
    ]

    def parse(self, response):
        sel = Selector(response)
        sites = sel.xpath('//ul/li')
        items = []
        for site in sites:
            item = DmozItem() #之前 Step2 定義的 Item
            item['title'] = site.xpath('a/text()').extract() #用 Xpath 抓指定的資料
            item['link'] = site.xpath('a/@href').extract()
            item['desc'] = site.xpath('text()').extract()
            items.append(item)
        return items

4. 執行 Spider，路徑必須在 tutorial/tutorial/spiders/ 才能執行

scrapy crawl dmoz -o items.json -t json

抓到的資料輸出成JSON格式的檔案，存在spiders/items.json

如果是抓中文的網站，會發現中文字變成像 u4f60u597d 的形式，原因是 python 預設編碼為 Utf-8，解決方法:

1. 自己寫一個簡單的 PHP 程式做轉換，可參考這篇

2. 參考這兩篇文章 1, 2

以上範例皆來自於這篇官方文件

英文不好的話，有翻譯官方文件，但翻譯的不是很完全，就當作參考囉。