运行环境:
* Python 2.7.12
* Scrapy 1.2.2
* Mac OS X 10.10.3 Yosemite
继续爬取Scrapy 1.2.2文档提供的练习网址:
可以暂时不用考虑爬虫被封的情况,用于初级爬虫练习。
目标
爬取每位作者的介绍。
步骤1:通过scrapy shell定位
分析网页结构
每位作者都有一个详细的介绍页面。
首先需要找到介绍的入口网址。通过对每一条名言的html内容分析
<div class="quote" itemscope="" itemtype="http://schema.org/CreativeWork">
<span class="text" itemprop="text">“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”</span>
<span>by
<small class="author" itemprop="author">Albert Einstein</small>
<a href="/author/Albert-Einstein">(about)</a>
</span>
<div class="tags">
Tags:
<meta class="keywords" itemprop="keywords" content="change,deep-thoughts,thinking,world">
<a class="tag" href="/tag/change/page/1/">change</a>
<a class="tag" href="/tag/deep-thoughts/page/1/">deep-thoughts</a>
<a class="tag" href="/tag/thinking/page/1/">thinking</a>
<a class="tag" href="/tag/world/page/1/">world</a>
</div>
</div>
可以发现作者介绍的网址在:
<a href="/author/Albert-Einstein">(about)</a>
测试定位
可以使用scrapy shell命令行,测试是否能定位到作者介绍的链接。在命令行中,使用
$ scrapy shell 'http://quotes.toscrape.com'
其中网址建议加上引号。Windows系统使用双引号。
方法1:CSS选择相邻兄弟标签
CSS的相邻兄弟选择,使用small.author+a::attr(href)定位。
- small.author:定位到类名为author的small标签
- “+”:表示紧邻的兄弟标签
- +a::attr(href)表示紧邻的a标签,提取其中的href链接。
>>> author = response.css('small.author+a::attr(href)').extract_first()
>>> author
u'/author/Albert-Einstein'
方法2:XPath选择第二个span标签
//div[@class=”quote”]/span[2]/a/@href的意思是:
- //div[@class=”quote”]:定位在类名为quote的div标签中
- /span[2]:选择第2个span下的a标签
- /a/@href:选择a标签的href属性。
>>> au = response.xpath('//div[@class="quote"]/span[2]/a/@href').extract_first()
>>> au
u'/author/Albert-Einstein'
方法3:XPath选择相邻兄弟标签
XPath中”//”表示所有的元素。//small[@class=”author”]/following-sibling::a[1]/@href中:
- //small[@class=”author”]:表示定位在类名author为small的标签
- /following-sibling::a[1]:刚才small标签后面的同级别兄弟标签中第一个a标签
- /@href:提取href链接属性。
>>> auth =response.xpath('//small[@class="author"]/following-sibling::a[1]/@href').extract_first()
>>> auth
u'/author/Albert-Einstein'
步骤2:代码编写与运行
爬虫名字更换为:name = 'quotes_2_3'
在上1个爬虫中的_parse()函数中,对每条名言的循环里面增加一个作者简介的爬取,增加三行内容。
author_page = response.css('small.author+a::attr(href)').extract_first()
authro_full_url = response.urljoin(author_page)
yield scrapy.Request(authro_full_url, callback=self.parse_author)
表示找到作者介绍页面的链接,再拼接成绝对路径的链接,最后发出请求(scrapy.Request)并用回调函数parse_author()对作者的介绍页面解析。
对于函数parse_author(),结构与内容与普通页面解析大同小异。
def parse_author(self,response):
yield{
'author': response.css('.author-title::text').extract_first(),
'author_born_date': response.css('.author-born-date::text').extract_first(),
'author_born_location': response.css('.author-born-location::text').extract_first(),
'authro_description': response.css('.author-born-location::text').extract_first(),
}
完整的代码如下
import scrapy
class QuotesSpider(scrapy.Spider):
name = 'quotes_2_3'
start_urls = [
'http://quotes.toscrape.com',
]
allowed_domains = [
'toscrape.com',
]
def parse(self,response):
for quote in response.css('div.quote'):
yield{
'quote': quote.css('span.text::text').extract_first(),
'author': quote.css('small.author::text').extract_first(),
'tags': quote.css('div.tags a.tag::text').extract(),
}
author_page = response.css('small.author+a::attr(href)').extract_first()
authro_full_url = response.urljoin(author_page)
yield scrapy.Request(authro_full_url, callback=self.parse_author)
next_page = response.css('li.next a::attr("href")').extract_first()
if next_page is not None:
next_full_url = response.urljoin(next_page)
yield scrapy.Request(next_full_url, callback=self.parse)
def parse_author(self,response):
yield{
'author': response.css('.author-title::text').extract_first(),
'author_born_date': response.css('.author-born-date::text').extract_first(),
'author_born_location': response.css('.author-born-location::text').extract_first(),
'authro_description': response.css('.author-born-location::text').extract_first(),
}
运行使用
$ scrapy crawl quotes_2_3 -o results_2_3_01.json
即可得到json文件的结果。