标签： 信息检索

一、准备阶段：

1. 购买阿里云服务器ECS（学生版）
使用mobaxterm工具设置session，通过密码连接云服务器。

aliyun.PNG

session1.PNG

mobaxterm.PNG

2. 配置虚拟开发环境（virtualenv）

sudo pip install virtualenv
virtualenv --version
virtualenv venv
cd venv
ls
source bin/activate

3. 安装Scrapy和其依赖的包

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple twisted
sudo apt-get install build-essential libssl-dev libffi-dev python-dev
pip install cryptography
pip install scrapy

二、采集阶段：

1. 创建一个Scrapy项目
使用mobaxterm、pycharm工具，采用阿里云ECS服务器。

scrapy startproject quotes

2. 编写spider，爬行网站，抽取所需数据
2.1 使用Google chrome开发者工具，观察网页结构。
![Uploading chrome_558181.PNG . . .]

2.2 编写初始quotes_spider.py

  import scrapy

class QuotesSpider(scrapy.Spider):
    name = 'quotes'

def start_requests(self):
    urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/'
    ]
    for url in urls:
        yield scrapy.Request(url= urls, callback=self.parse)

def parse(self, response):
    page = response.url.split('/')[-2]
    fileName = 'quotes-%s.html' % page
    #打开文件
    with open(fileName, 'wb') as f:
        f.write(response.body)
    self.log('saved file %s ' % fileName)

3. 使用命令行导出采集结果
3.1在项目根目录下输入命令。

scrapy crawl quotes

3.2 使用Scrapy Shell 选择器提取数据。

scrapy shell 'http://quotes.toscrape.com/page/1/'

4. 修改spider，遍历超链接
4.1 使用递归、循环等，修改quotes_spider.py。

import scrapy
class  QuotesSpider(scrapy.Spider):
    name="quotes"
    def start_requests(self):
        urls=[
            'http://quotes.toscrape.com/page/1',
            'http://quotes.toscrape.com/page/2',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)
    def parse(self, response):
        for quote in response.css('div.quote'):
            yield{
              'text':
                  quote.css('span.text::text').extract_first(),
                'author':
                    quote.css('small.author::text').extract_first(),
                'tags': quote.css('div.tags a.tag::text').extract(),
            }
            next_page = response.css('li.next a::attr(href)').extract_first()
            if next_page is not None:
                next_page = response.urljoin(next_page)
            yield scrapy.Request(next_page, callback=self.parse)

4.2 存储quotes数据。

scrapy crawl quotes-o quotes.json

18.PNG

16.PNG

4.3 使用Google refine工具，阅读分析quote.json文件。

17.PNG

21.PNG

4.4 使用递归、循环等，创建author_spiders.py。

    import  scrapy

class AuthorSpider(scrapy.Spider):
    name='authors'
    start_urls=['http://quotes.toscrape.com/']
    def parse(self,response):
        for href in response.css('.author + a::attr(href)').extract():
            yield scrapy.Request(response.urljoin(href),
                                 callback=self.parse_author)
        next_page= response.css('li.next a::attr(href)').extract_first()
        if next_page is not None:
            next_page = response.urljoin(next_page)
            yield scrapy.Request(next_page,callback=self.parse)

    def parse_author(self, response):
        def extract_with_css(query):
            return response.css(query).extract_first().strip()

        yield {
            'name': extract_with_css('h3.authortitle::text'),
            'birthday': extract_width_xpath('//span[@class="author-born-date"]/text()'),
            'location': extract_width_xpath('//span[@class="author-born-location"]/text()'),
        }

4.5 存储authors数据。

22.PNG

23.PNG

24.PNG

25.PNG

5. 使用spider参数

5.1 观察网页结构，创建quotesremen_spider.py。

import scrapy

class QuotesSpider(scrapy.Spider):
    name = 'quotes_tag'

    def start_requests(self):
        url = 'http://quotes.toscrape.com/'
        tag = getattr(self, 'tag', None)
        if tag is not None:
            url = url + 'tag/' + tag
        yield scrapy.Request(url, self.parse)

    def parse(self, response):
        for quote in response.xpath('//div[@class="quote"]'):
            yield {
                'text': quote.xpath('span[@class="text"]/text()').extract_first(),
                'author': quote.xpath('span/small[@class="author"]/text()').extract_first(),
            }
        next_page = response.xpath('//li[@class="next"]/a/@href').extract_first()
        if next_page is not None:
            next_page = response.urljoin(next_page)
            yield scrapy.Request(url= next_page, callback= self.parse)

5.2 使用Spider参数，依次抓取并存储热门标签的名人名言（以friendship为例）。

scrapy crawl quotes_tag -o quotes-friendship.json -a tag=friendship

zong.PNG

friendship.PNG

friendship1.PNG

inspirationalq.PNG

life.PNG

life1.PNG

love.PNG

love1.PNG

reading.PNG

reading1.PNG

simile.PNG

simile1.PNG

truth.PNG

truth1.PNG

books.PNG

books1.PNG

friend.PNG

friend1.PNG

humor.PNG

humor1.PNG

inspirational.PNG

6. 将采集到的数据JSON文件转换成XML文件

6.1 使用Google refine工具，将采集的JSON文件export成HTML文件。

21.PNG

6.2 使用sublime工具，打开上一步导出的HTML文件，另存为XML文件（节选部分代码如下），用Firefox测试。

 <html>
<head>
<title>quotes json</title>
<meta charset="utf-8" />
</head>
<body>
<table>
<tr><th>_ - text</th><th>_ - author</th><th>_ - tags - tags</th></tr>
<tr><td>“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”</td><td>Albert Einstein</td><td>change</td></tr>
<tr><td></td><td></td><td>deep-thoughts</td></tr>
<tr><td></td><td></td><td>thinking</td></tr>
<tr><td></td><td></td><td>world</td></tr>
……
</table>
</body>
</html>

27.PNG

阅读材料：
Scrapy官方文档