ThinkChat🤖让你学习和工作更高效,注册即送10W Token,即刻开启你的AI之旅 广告
[TOC] 虽然以前写过 如何抓取WEB页面 和 如何从 WEB 页面中提取信息。但是感觉还是需要一篇 step by step 的教程,不然没有一个总体的认识。不过,没想到这个教程居然会变成一篇译文,在这个爬虫教程系列文章中,会以实际的例子,由浅入深讨论爬取(抓取和解析)的一些关键问题。 在 教程一 中,我们将要爬取的网站是豆瓣电影:http://movie.douban.com/ 你可以在: http://demo.pyspider.org/debug/tutorial_douban_movie 获得完整的代码,和进行测试。 # 开始之前 由于教程是基于 pyspider 的,你可以安装一个 pyspider(Quickstart,也可以直接使用 pyspider 的 demo 环境: http://demo.pyspider.org/。 你还应该至少对万维网是什么有一个简单的认识: * 万维网是一个由许多互相链接的超文本页面(以下简称网页)组成的系统。 * 网页使用网址(URL)定位,并链接彼此 * 网页使用 HTTP 协议传输 * 网页使用 HTML 描述外观和语义 所以,爬网页实际上就是: * 找到包含我们需要的信息的网址(URL)列表 * 通过 HTTP 协议把页面下载回来 * 从页面的 HTML 中解析出需要的信息 * 找到更多这个的 URL,回到 2 继续 # 选取一个开始网址 既然我们要爬所有的电影,首先我们需要抓一个电影列表,一个好的列表应该: * 包含足够多的电影的 URL * 通过翻页,可以遍历到所有的电影 * 一个按照更新时间排序的列表,可以更快抓到最新更新的电影 我们在 http://movie.douban.com/ 扫了一遍,发现并没有一个列表能包含所有电影,只能退而求其次,通过抓取分类下的所有的标签列表页,来遍历所有的电影: http://movie.douban.com/tag/ ## 创建一个项目 在 pyspider 的 dashboard 的右下角,点击 "Create" 按钮 ![document/2015-10-08/56161cfc6d2fb](https://box.kancloud.cn/document_2015-10-08_56161cfc6d2fb.png) 替换 `on_start` 函数的 `self.crawl` 的 URL: ~~~ @every(minutes=24 * 60) def on_start(self): self.crawl('http://movie.douban.com/tag/', callback=self.index_page) ~~~ > self.crawl 告诉 pyspider 抓取指定页面,然后使用 callback 函数对结果进行解析。 > @every 修饰器,表示 on_start 每天会执行一次,这样就能抓到最新的电影了。 点击绿色的 `run` 执行,你会看到 `follows` 上面有一个红色的 1,切换到 `follows` 面板,点击绿色的播放按钮: ![document/2015-10-08/56161d3a27db4](https://box.kancloud.cn/document_2015-10-08_56161d3a27db4.png) # Tag 列表页 在 `tag` 列表页 中,我们需要提取出所有的 电影列表页 的 URL。你可能已经发现了,sample handler 已经提取了非常多大的 URL,所有,一种可行的提取列表页 URL 的方法就是用正则从中过滤出来: ~~~ import re ... @config(age=10 * 24 * 60 * 60) def index_page(self, response): for each in response.doc('a[href^="http"]').items(): if re.match("http://movie.douban.com/tag/\w+", each.attr.href, re.U): self.crawl(each.attr.href, callback=self.list_page) ~~~ > 由于 电影列表页和 tag列表页长的并不一样,在这里新建了一个 callback 为 self.list_page > @config(age=10 * 24 * 60 * 60) 在这表示我们认为 10 天内页面有效,不会再次进行更新抓取 由于 pyspider 是纯 Python 环境,你可以使用 Python 强大的内置库,或者你熟悉的第三方库对页面进行解析。不过更推荐使用 CSS选择器。 # 电影列表页 再次点击 run 让我们进入一个电影列表页(list_page)。在这个页面中我们需要提取: * 电影的链接,例如,http://movie.douban.com/subject/1292052/ * 下一页的链接,用来翻页 ## CSS选择器 CSS选择器,顾名思义,是 CSS 用来定位需要设置样式的元素 所使用的表达式。既然前端程序员都使用 CSS选择器 为页面上的不同元素设置样式,我们也可以通过它定位需要的元素。你可以在 CSS 选择器参考手册 这里学习更多的 CSS选择器 语法。 在 pyspider 中,内置了 `response.doc` 的 `PyQuery` 对象,让你可以使用类似 `jQuery` 的语法操作 DOM 元素。你可以在 `PyQuery` 的页面上找到完整的文档。 ## CSS Selector Helper 在 pyspider 中,还内置了一个 CSS Selector Helper,当你点击页面上的元素的时候,可以帮你生成它的 CSS选择器 表达式。你可以点击 Enable CSS selector helper 按钮,然后切换到 web 页面: ![document/2015-10-08/56161d94aa70a](https://box.kancloud.cn/document_2015-10-08_56161d94aa70a.png) 开启后,鼠标放在元素上,会被黄色高亮,点击后,所有拥有相同 CSS选择器 表达式的元素会被高亮。表达式会被插入到 python 代码当前光标位置。创建下面的代码,将光标停留在单引号中间: ~~~ def list_page(self, response): for each in response.doc('').items(): ~~~ 点击一个电影的链接,CSS选择器 表达式将会插入到你的代码中,如此重复,插入翻页的链接: ~~~ def list_page(self, response): for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV>TABLE TR.item>TD>DIV.pl2>A').items(): self.crawl(each.attr.href, callback=self.detail_page) # 翻页 for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.paginator>A').items(): self.crawl(each.attr.href, callback=self.list_page) ~~~ > 翻页是一个到自己的 callback 回调 # 电影详情页 再次点击 `run`,`follow` 到详情页。使用 `css selector helper` 分别添加电影标题,打分和导演: ~~~ def detail_page(self, response): return { "url": response.url, "title": response.doc('HTML>BODY>DIV#wrapper>DIV#content>H1>SPAN').text(), "rating": response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.indent.clearfix>DIV.subjectwrap.clearfix>DIV#interest_sectl>DIV.rating_wrap.clearbox>P.rating_self.clearfix>STRONG.ll.rating_num').text(), "导演": [x.text() for x in response.doc('a[rel="v:directedBy"]').items()], } ~~~ 注意,你会发现 `css selector helper` 并不是总是能提取到合适的 CSS选择器 表达式。你可以在 `Chrome Dev Tools` 的帮助下,写一个合适的表达式: ![document/2015-10-08/56161df067ca4](https://box.kancloud.cn/document_2015-10-08_56161df067ca4.png) 右键点击需要提取的元素,点击审查元素。你并不需要像自动生成的表达式那样写出所有的祖先节点,只要写出那些能区分你不需要的元素的关键节点的属性就可以了。不过这需要抓取和网页前端的经验。所以,学习抓取的最好方法就是学会这个页面/网站是怎么写的。 你也可以在 `Chrome Dev Tools` 的 `Javascript Console` 中,使用 `$$(a[rel="v:directedBy"])` 测试 `CSS Selector`。 # 开始抓取 1. 使用 `run` 单步调试你的代码,对于用一个 `callback` 最好使用多个页面类型进行测试。然后保存。 2. 回到 `Dashboard`,找到你的项目 3. 将 `status` 修改为 `DEBUG` 或 `RUNNING` 4. 按 `run` 按钮 ![document/2015-10-08/56161e0ed33c6](https://box.kancloud.cn/document_2015-10-08_56161e0ed33c6.png)