使用 Scrapy 实现网页抓取

介绍

许多人认为，数据是新的石油，因为它是一种越来越有价值的资源。随着互联网使用的增长，不同网站上的数据量巨大。如果您想从网页获取数据，一种方法是使用 API 或实施网络抓取技术。网络抓取器和爬虫会读取网站的页面和信息，并分析网站的结构和标记语言以寻找提取数据的线索。有时，从抓取中收集的数据会被输入到其他程序中进行验证、清理和输入到数据存储中。它也可能被输入到其他流程中，例如自然语言处理 (NLP) 工具链或机器学习 (ML) 模型。

您可以使用一些 Python 包进行网页抓取，包括 Beautiful Soup 和 Scrapy，本指南将重点介绍 Scrapy。Scrapy 使我们可以轻松快速地制作网页抓取工具的原型并进行开发。

在本指南中，您将了解如何抓取 IMDB 网站并将其部分数据提取到 JSON 文件中。

什么是 Scrapy？

Scrapy是一个用 Python 编写的免费开源网络爬虫框架。它是一个快速的高级框架，用于爬取网站并从其页面中提取结构化数据。它可以用于从数据挖掘到监控和自动化测试等各种目的。Scrapy 使用蜘蛛来定义应如何从网站中抓取信息。它让我们确定我们希望蜘蛛如何抓取、我们想要提取哪些信息以及如何提取这些信息。

设置和安装

让我们讨论一下安装、创建蜘蛛，然后测试它。

步骤 1：创建虚拟环境

最好为 Scrapy 创建不同的虚拟环境，因为这样可以隔离程序并且不会影响机器中存在的任何其他程序。

首先，使用以下命令安装虚拟环境。

      $ pip install virtualenv

现在用 Python 创建一个虚拟环境。

      $ virtualenv scrapyvenv

对于 Linux/Mac，您可以提及 Python 版本。

      $ virtualenv -p python3 scrapyvenv

您还可以提及想要创建虚拟环境的 Python 版本。

创建虚拟环境后，激活它。

对于 Windows：

      $ cd scrapyvenv
$ .\Scripts\activate
    

对于Linux / Mac：

      $ cd scrapyvenv
$ source bin/activate
    

第 2 步：安装 Scrapy

大多数依赖项将自动安装。它们适用于 Python 2.7+。

pip install：要使用pip安装，请打开终端并运行以下命令：

      $ pip install scrapy

conda 安装：要使用conda安装，请打开终端并运行以下命令：

      $ conda install -c anaconda scrapy

如果您在安装 twisted 库时遇到问题，您可以在此处下载，然后在本地安装。

步骤3：创建Scrapy项目

由于 Scrapy 是一个框架，我们需要遵循框架的一些标准。要在 scrapy 中创建新项目，请使用命令startproject。我将我的项目命名为webscrapy。

      $ scrapy startproject webscrapy

此外，这将创建一个包含以下内容的 webscrapy 目录：

      webscrapy
├── scrapy.cfg          -- deploy configuration file of scrapy project
└── webscrapy           -- your scrapy project module.
    ├── __init__.py     -- module initializer(empty file)
    ├── items.py        -- project item definition py file
    ├── middlewares.py  -- project middleware py file
    ├── pipelines.py    -- project pipeline py file
    ├── settings.py     -- project settings py file
    └── spiders         -- directory where spiders are kept
        ├── __init__.py
    

使用 Scrapy 实现网页抓取

创建一个蜘蛛

现在，让我们创建第一个蜘蛛。使用命令genspider，它采用蜘蛛的名称和它将抓取的 URL：

      $ cd webscrapy
$ scrapy genspider imdb www.imdb.com
    

运行该命令后，Scrapy会自动在spider文件夹中创建一个名为imdb的Python文件。

当你打开那个蜘蛛imdb.py Python 文件时，你会看到一个名为imdbSpider的类，它继承了scrapy.Spider类并包含一个名为parse 的方法，我们将在后面讨论。

      import scrapy

class ImdbSpider(scrapy.Spider):
    name = 'imdb'
    allowed_domains = ['www.imdb.com']
    start_urls = ['http://www.imdb.com/']

    def parse(self, response):
        pass
    

这里有几点需要注意：

name：蜘蛛的名称。在本例中为ImdbSpider。当您必须维护数百个蜘蛛时，正确命名蜘蛛会让您轻松很多。
allowed_domains：可选字符串列表，包含允许此蜘蛛抓取的域。不属于此列表中指定的域名的 URL 请求将不会被跟踪。
parse(self, response)：每当爬虫成功爬取一个URL时，就会调用此函数。

要运行此蜘蛛，请使用以下命令。在运行此命令之前，请确保您位于正确的目录中。

      $ scrapy crawl imdb

请注意，上述命令将蜘蛛的名称作为参数。

IMDB 上的抓取

现在让我们从 IMDB 前 250 部电影的表中获取所有表条目，例如标题、年份和评级。

创建之前已经创建的蜘蛛imdb.py。

      # importing the scrapy
import scrapy

class ImdbSpider(scrapy.Spider):
    name = "imdb"
    allowed_domains = ["imdb.com"]
    start_urls = ['http://www.imdb.com/chart/top',]
   
    def parse(self, response):
        # table coloums of all the movies 
        columns = response.css('table[data-caller-name="chart-top250movie"] tbody[class="lister-list"] tr')
        for col in columns:
            # Get the required text from element.
            yield {
                "title": col.css("td[class='titleColumn'] a::text").extract_first(),
                "year": col.css("td[class='titleColumn'] span::text").extract_first().strip("() "),
                "rating": col.css("td[class='ratingColumn imdbRating'] strong::text").extract_first(),

            }
    

运行上述imdb蜘蛛：

      $ scrapy crawl imdb

您将获得以下输出：

      {'title': 'The Shawshank Redemption', 'year': '1994', 'rating': '9.2'}
{'title': 'The Godfather', 'year': '1972', 'rating': '9.1'}
...
{'title': 'Swades', 'year': '2004', 'rating': '8.0'}
{'title': 'Song of the Sea', 'year': '2014', 'rating': '8.0'}
    

创建更高级的抓取工具

让我们更进一步地抓取 IMDB。让我们打开所有 250 部电影列表中每部电影的详细页面，然后获取所有重要特征，例如导演姓名、类型、演员等。

在开始创建蜘蛛之前，我们必须在itmes.py中创建电影和演员项目。

欲了解更多详情，请阅读此处的项目文档。

      import scrapy

class MovieItem(scrapy.Item):
    title = scrapy.Field()
    rating = scrapy.Field()
    summary = scrapy.Field()
    genre = scrapy.Field()
    runtime = scrapy.Field()
    directors = scrapy.Field()
    writers = scrapy.Field()
    cast = scrapy.Field()

class CastItem(scrapy.Item):
    name = scrapy.Field()
    character = scrapy.Field()
    

现在已经创建了项目，让我们扩展蜘蛛。

利用这个蜘蛛，我们获取每个电影项目的 URL，并通过调用parseDetailItem请求该 URL ，它会从电影详细信息页面收集所有电影数据。

      # importing the scrapy
import scrapy
from webscrapy.items import MovieItem, CastItem

class ImdbSpider(scrapy.Spider):
    name = "imdb"
    allowed_domains = ["imdb.com"]
    base_url = "https://imdb.com"
    start_urls = ['https://www.imdb.com/chart/top',]
   
    def parse(self, response):
        # table coloums of all the movies 
        columns = response.css('table[data-caller-name="chart-top250movie"] tbody[class="lister-list"] tr')
        for col in columns:
            # rating of the movie i.e., position in the table
            rating = col.css("td[class='titleColumn']::text").extract_first().strip()
            # url of detail page of that movie. 
            rel_url = col.css("td[class='titleColumn'] a::attr('href')").extract_first().strip()
       

_{免责声明：本内容来源于第三方作者授权、网友推荐或互联网整理，旨在为广大用户提供学习与参考之用。所有文本和图片版权归原创网站或作者本人所有，其观点并不代表本站立场。如有任何版权侵犯或转载不当之情况，请与我们取得联系，我们将尽快进行相关处理与修改。感谢您的理解与支持！}

_查看原文