python 3爬虫類学習シリーズ08-scrapy(二)

24274 ワード

文書ディレクトリ

  • 1. トレースリンク
  • 2. requestの作成ショートカット
  • 3. その他の例
  • 4. spiderパラメータ
  • の使用
  • 5. 参考文献
  • 以前のブログ:
    python 3爬虫類学習シリーズ02-一般的なWebページのダウンロードと抽出方法
    python 3爬虫類学習シリーズ03-ダウンロードキャッシュ
    python 3爬虫類学習シリーズ04-同時ダウンロード
    python 3爬虫類学習シリーズ05-ダイナミックコンテンツの取得
    python 3爬虫類学習シリーズ06-フォームインタラクション
    python 3爬虫類学習シリーズ07-処理検証コード
    python 3爬虫類学習シリーズ08-scrapy(一)
    前回のブログでは、Scrapyの簡単な使用(scrapyのインストール、Webページの登り取り、データの抽出)を学びました.この記事では、公式ドキュメントの学習を続けます.

    1.トレースリンク(fllow links)


    htmlからリンクを抽出するにはどうすればいいですか?登ったサイトは前のブログと一致し、依然としてhttp://quotes.toscrape.com.
    最初のステップでは、ページから必要なリンクを抽出します.
    私たちのページを分析すると、次のページのリンクには次のタグが表示されます.
    <ul class="pager">
        <li class="next">
            <a href="/page/2/">Next <span aria-hidden="true">span>a>
        li>
    ul>
    

    このデータをscrapy shellで抽出してみます.
    #  CSS , ラベルですが、 たちに なのはこれです。ラベルのhrefプロパティ
    >>> response.css('li.next a').get()
    'Next →'
    #  attra(href) 
    >>> response.css('li.next a::attr(href)').get()
    '/page/2/'
    # .attrib 
    >>> response.css('li.next a').attrib['href']
    '/page/2'
    

    次に、私たちの爬虫類が次のページへのリンクに再帰的に従うように変更され、データが抽出されているのを見てみましょう.
    import scrapy
    
    
    class QuotesSpider(scrapy.Spider):
        name = "quotes"
        start_urls = [
            'http://quotes.toscrape.com/page/1/',
        ]
    
        def parse(self, response):
            for quote in response.css('div.quote'):
                yield {
                    'text': quote.css('span.text::text').get(),
                    'author': quote.css('small.author::text').get(),
                    'tags': quote.css('div.tags a.tag::text').getall(),
                }
    		#  
            next_page = response.css('li.next a::attr(href)').get()
            #  
            if next_page is not None:
                next_page = response.urljoin(next_page)
                yield scrapy.Request(next_page, callback=self.parse)
    

    データを抽出した後、parse()メソッドは現在のリンクの次のページのリンクを検索し、urljoin()メソッドを使用して完全な絶対URL(リンクが相対的である可能性があるため)yieldを構築して次のページの新しいrequestを取得し、この新しいrequestで自分自身を呼び出し、このような再帰的な方法ですべてのページに登ることを保証します.
    これがScrapyでリンクを追跡するメカニズムで、コールバック関数でyield(生成)に新しいrequestが生成され、この新しいrequestが完了するとscrapyはまたこのrequestのためにコールバック関数を呼び出します.

    2.requestを作成するショートカット


    requestを作成するショートカットはresponseを使用することです.fllow().
    import scrapy
    
    
    class QuotesSpider(scrapy.Spider):
        name = "quotes"
        start_urls = [
            'http://quotes.toscrape.com/page/1/',
        ]
    
        def parse(self, response):
            for quote in response.css('div.quote'):
                yield {
                    'text': quote.css('span.text::text').get(),
                    'author': quote.css('span small::text').get(),
                    'tags': quote.css('div.tags a.tag::text').getall(),
                }
    
            next_page = response.css('li.next a::attr(href)').get()
            if next_page is not None:
                yield response.follow(next_page, callback=self.parse)
    

    scrapyとRequestは違うfollow()は相対urlをサポートし、urljoin()の使用を回避します.response.follow()はRequestのインスタンスを返し、このインスタンスオブジェクトをyieldすることができます.
    セレクタをresponseに渡すこともできます.文字列ではなくfollowを使用して、このセレクタから必要なプロパティを抽出できます.
    # response.css()  list
    for href in response.css('li.next a::attr(href)'):
    	# href  
        yield response.follow(href, callback=self.parse)
    
    < a > ,response.css() href です.したがって、コードは以下のように簡単に書くこともできます.
    for a in response.css('li.next a'):
        yield response.follow(a, callback=self.parse)
    
    , response.follow(response.css('li.next a')), response.css() list, 。

    3.その他の例


    次のコードはhttp://quotes.toscrape.com/このurlから、ページ内の作成者リンクと次のページリンクを追跡し、コールバック関数parse_をそれぞれ呼び出します.author()とparse()は応答を処理します.
    import scrapy
    
    
    class AuthorSpider(scrapy.Spider):
        name = 'author'
    
        start_urls = ['http://quotes.toscrape.com/']
    
        def parse(self, response):
            # follow links to author pages
            #  , parse_author()  
            for href in response.css('.author + a::attr(href)'):
                yield response.follow(href, self.parse_author)
    
            # follow pagination links
            #  , parse()  
            for href in response.css('li.next a::attr(href)'):
                yield response.follow(href, self.parse)
    
        def parse_author(self, response):
            def extract_with_css(query):
                return response.css(query).get(default='').strip()
    
            yield {
                'name': extract_with_css('h3.author-title::text'),
                'birthdate': extract_with_css('.author-born-date::text'),
                'bio': extract_with_css('.author-description::text'),
            }
    
    , scrapy , url , scrapy url、プログラミングロジックの問題によるサーバーのアクセス過多の問題を回避し、DUPEFILTER_CLASSパラメータで構成します.
    公式例quotesbotはこちらをクリックしてご覧ください

    4.spiderパラメータの使用


    デフォルトでは、コマンドラインで-aパラメータがSpiderの__init__メソッドに渡され、spiderのプロパティになります.
    scrapy crawl quotes -o quotes-humor.json -a tag=humor
    

    コードにはselfを用いることができる.tagはコマンドラインのtagの値を取得します.
    import scrapy
    
    
    class QuotesSpider(scrapy.Spider):
        name = "quotes"
    
        def start_requests(self):
            url = 'http://quotes.toscrape.com/'
            tag = getattr(self, 'tag', None)
            if tag is not None:
                url = url + 'tag/' + tag
                #   url   http://quotes.toscrape.com/tag/humor
            yield scrapy.Request(url, self.parse)
    
        def parse(self, response):
            for quote in response.css('div.quote'):
                yield {
                    'text': quote.css('span.text::text').get(),
                    'author': quote.css('small.author::text').get(),
                }
    
            next_page = response.css('li.next a::attr(href)').get()
            if next_page is not None:
                yield response.follow(next_page, self.parse)
    

    5.参考文献


    [1]scrapy公式ドキュメント[2]爬虫類フレームScrapyのインストールと基本使用-簡書