本篇从实际出发，展示如何用网页爬虫。并介绍一个流行的爬虫框架~

1. 网页爬虫的过程

所谓网页爬虫，就是模拟浏览器的行为访问网站，从而获得网页信息的程序。正因为是程序，所以获得网页的速度可以轻易超过单身多年的手速：)。通常适用于需要大量网页信息的场合。

爬取网页的流程为：访问初始url -> 获得返回的网页，从这个网页中得到新的url并放入待爬队列 -> 访问新的url-> …依次循环。整体上来看就是一个广度优先的过程，当然，新的url也不一定非要从返回的网页中获得。

一个简单的网页爬虫应该包括以下部分：

那么，最简单的爬虫就可以这么写：

import Queue

start_url = “http://www.cnblogs.com/rubinorth” url_queue = Queue.Queue() # url队列 url_queue.put(start_url)

bloomfilter.put(start_url) #### 一直循环到队列为空 #### while(True): if url_queue.size() > 0: current_url = url_queue.get() # 队首的url page = crawl(current_url) # crawl为网页爬取模块，page是爬到的网页源代码 next_urls = deal_page(page) # deal_page为网页分析模块，next_urls是新的一些url

for next_url in next_urls: if not bloomfilter.has(next_url): # 判重 bloomfilter.put(next_url) url_queue.put(next_url) else: break

2. 为什么选用scrapy

scrapy是目前一个比较流行的爬虫框架，其基本原理与上面的爬虫是一样的，但是它提供了很多便利的功能。

首先，先简要介绍一下scrapy各个模块之间的关系和整个框架运行的流程。是时候祭出那张scrapy的经典图了：

从这张图上看，scrapy包含了以下模块：

上面列出的里面spider，pipeline需要自己写，两种middleware需要的话可以自己添加自己写的。

光介绍给人感觉比较空洞，那下面就让我们来使用scrapy实现一个简单的爬虫吧。

3. scrapy实现爬虫

scrapy createproject cnblog_project

使用上面的命令创建一个scrapy工程之后，首先我们要写的是spider。

class CnblogSpider(Spider): name = ‘cnblog_spider’ # 爬虫名字 allowed_domain = [‘cnblogs.com’] # 允许的domain

def __init__(self): self.start_urls = [‘http://www.cnblogs.com/rubinorth’]

def start_requests(self): return [Request(url, callback=self.parse_page) for url in self.start_urls]

# 分析爬取的页面并构造下一个页面的请求 def parse_page(self, response): logging.info(“parse : ” + response.url)

sel = Selector(response) item = CnblogItem()

# 提取页面内容 item[‘name’] = sel.xpath(“//a[@id=’Header1_HeaderTitle’]/text()”).extract()[0] yield item # 下一个页面的请求 new_url = get_new_url(response.body) # 根据源码分析出新的链接，需自己实现 yield Request(new_url, callback=self.parse_page)

上面是一个简单的爬虫，start_urls是初始的url集合（上面只有一个），start_requests则根据start_urls构造Request，并交给调度器。parse_page中，response是返回的页面的源码；CnblogItem是scrapy提供的item组件，方便结构化地提取源码中的数据，而yield item则会将这个item交给管道；yield Request(new_url, callback=self.parse_page)则会发送一个新的Request，发起下一轮的爬取。
items.py中只要这么写：

class CnblogItem(scrapy.Item): name = scrapy.Field()

接着，我们需要写pipelines.py

class CnblogPipeline(object): def process_item(self, item, spider): print item[‘name’] return item

每个pipeline都必须有process_item这个方法。上面我们只是简单地打印出了name。return item是考虑到可能有多个pipeline（return了之后可以让其他pipeline处理）。
最后，只需要修改settings.py即可：

… ITEM_PIPELINES = { ‘yelp_project.pipelines.CnblogPipeline’: 304, } …

需要在setting中打开自己的pipeline。
好了，一个简单的爬虫就这么写完了。注意我们并没有用到中间件，也不需要写自己的中间件。
最后， 命令行运行：

scrapy crawl cnblog_spider

参考资料

如何入门python爬虫

转载请注明出处：http://www.cnblogs.com/rubinorth/