1． 前期基础准备。

Oh,不能在准备了，直接来。

（1） 创建项目。

输入：

[python] view plain copy

 

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

1. scapy startproject w3school  

以上创建项目w3school。这时会产生w3school文件夹，文件夹下文件如下：  

[plain] view plain copy

 

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

1. scrapy.cfg  
2. w3school/  
3.     __init__.py  
4.     items.py  
5.     pipelines.py  
6.     settings.py  
7.     spiders/  
8.         __init__.py  

其中scrapy.cfg目的配置文件。主要改写的是w3school中的三个文件以及其中spiders中需要编写的爬虫。

一个一个来。

（2） 在items.py中定义Item容器。也就是编写items.py内容。

所谓Item容器就是将在网页中获取的数据结构化保存的数据结构，类似于Python中字典。下面为items.py中代码。

[python] view plain copy

 

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

1. #project: w3school  
2. #file   : items.py  
3. #author : younghz  
4. #brief  : define W3schoolItem.  
5.   
6. from scrapy.item import Item,Field  
7.   
8. class W3schoolItem(Item):  
9.     title = Field()  
10.     link = Field()  
11.     desc = Field()  

上面定义了自己的W3schoolItem类，它继承自scrapy的Item（这里没有显示定义W3schoolItem的__init__()方法，也正因为如此，python也会为你自动调用基类的__init__()，否则必须显式在子类的__init__()中调用基类__init__()）。

之后声明W3schoolItem中元素并使用Field定义。到此items.py就OK了。

（3） 在pipelines.py中编写W3schoolPipeline实现对item的处理。

在其中主要完成数据的查重、丢弃，验证item中数据，将得到的item数据保存等工作。代码如下：

[python] view plain copy

 

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

1. import json  
2. import codecs  
3.   
4.   
5. class W3SchoolPipeline(object):  
6.     def __init__(self):  
7.         self.file = codecs.open('w3school_data_utf8.json', 'wb', encoding='utf-8')  
8.   
9.     def process_item(self, item, spider):  
10.         line = json.dumps(dict(item)) + '\n'  
11.         # print line  
12.         self.file.write(line.decode("unicode_escape"))  
13.         return item  

其中的process_item方法是必须调用的用来处理item，并且返回值必须为Item类的对象，或者是抛出DropItem异常。并且上述方法将得到的item实现解码，以便正常显示中文，最终保存到json文件中。

注意：在编写完pipeline后，为了能够启动它，必须将其加入到ITEM_PIPLINES配置中，即在settings.py中加入下面一句：

[python] view plain copy

 

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

1. ITEM_PIPELINES = {  
2.     'w3school.pipelines.W3SchoolPipeline':300  
3. }  

2.编写爬虫。

爬虫编写是在spider/文件夹下编写w3cshool_spider.py。

先上整个程序在慢慢解释：

[python] view plain copy

 

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

1. #!/usr/bin/python  
2. # -*- coding:utf-8 -*-  
3.   
4. from scrapy.spider import Spider  
5. from scrapy.selector import Selector  
6. from scrapy import log  
7.   
8. from w3school.items import W3schoolItem  
9.   
10.   
11. class W3schoolSpider(Spider):  
12.     """爬取w3school标签"""  
13.     #log.start("log",loglevel='INFO')  
14.     name = "w3school"  
15.     allowed_domains = ["w3school.com.cn"]  
16.     start_urls = [  
17.         "http://www.w3school.com.cn/xml/xml_syntax.asp"  
18.     ]  
19.   
20.     def parse(self, response):  
21.   
22.         sel = Selector(response)  
23.         sites = sel.xpath('//div[@id="navsecond"]/div[@id="course"]/ul[1]/li')  
24.         items = []  
25.   
26.         for site in sites:  
27.             item = W3schoolItem()  
28.   
29.             title = site.xpath('a/text()').extract()  
30.             link = site.xpath('a/@href').extract()  
31.             desc = site.xpath('a/@title').extract()  
32.   
33.             item['title'] = [t.encode('utf-8') for t in title]  
34.             item['link'] = [l.encode('utf-8') for l in link]  
35.             item['desc'] = [d.encode('utf-8') for d in desc]  
36.             items.append(item)  
37.   
38.             #记录  
39.             log.msg("Appending item...",level='INFO')  
40.   
41.   
42.         log.msg("Append done.",level='INFO')  
43.         return items  

（1）需要注意的是编写的spider必须继承自scrapy的Spider类。

属性name即spider唯一名字，start_url可以理解为爬取入口。

（2）parse方法。

parse（）是对scrapy.Spider类的override。

（3）网页中的数据提取机制。

scrapy使用选择器Selector并通过XPath实现数据的提取。关于XPath 推荐w3school的教程。

小工具：

关于网页代码中意向信息的查找可以借助几个工具：

第一个——Firefox插件Firebug。

第二个——Firefox插件XPath。可以快速的在网页中对xpath表达式的正确性进行验证。

第三个——scrapy shell.关于其使用可以查看教程。

分析：

在这里我提取的是http://www.w3school.com.cn/xml/xml_syntax.asp网页中下图部分。

即“XML 基础”下所有目录结构的名字、链接和描述。使用Firebug找到次部分对应的代码块后就可以使用XPath执行信息提取。Xpath表达式如上面代码中所示。

上面还涉及到了对item中信息的编码，是为了中文信息在json文件中的正确显示。

（4）在parse方法中还使用到了log功能实现信息记录。使用log.mes()函数即可。

3.执行。

一切就绪。进入到项目目录下，执行： 

[python] view plain copy

 

转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消转存失败重新上传取消

1. scrapy crawl w3school --set LOG_FILE=log  

在目录下生成log和w3school_data_utf8.json文件。

查看生成的json文件：

OK。这就实现了针对 http://www.w3school.com.cn/xml/xml_syntax.asp中导航条部分的提取。