[TOC] 雖然以前寫過 如何抓取WEB頁面 和 如何從 WEB 頁面中提取信息。但是感覺還是需要一篇 step by step 的教程，不然沒有一個總體的認識。不過，沒想到這個教程居然會變成一篇譯文，在這個爬蟲教程系列文章中，會以實際的例子，由淺入深討論爬取（抓取和解析）的一些關鍵問題。 在 教程一 中，我們將要爬取的網站是豆瓣電影：http://movie.douban.com/ 你可以在: http://demo.pyspider.org/debug/tutorial_douban_movie 獲得完整的代碼，和進行測試。 # 開始之前 由于教程是基于 pyspider 的，你可以安裝一個 pyspider（Quickstart，也可以直接使用 pyspider 的 demo 環境： http://demo.pyspider.org/。 你還應該至少對萬維網是什么有一個簡單的認識： *　萬維網是一個由許多互相鏈接的超文本頁面（以下簡稱網頁）組成的系統。 *　網頁使用網址（URL）定位，并鏈接彼此 *　網頁使用 HTTP 協議傳輸 *　網頁使用 HTML 描述外觀和語義 所以，爬網頁實際上就是： *　找到包含我們需要的信息的網址（URL）列表 *　通過 HTTP 協議把頁面下載回來 *　從頁面的 HTML 中解析出需要的信息 *　找到更多這個的 URL，回到 2 繼續 # 選取一個開始網址 既然我們要爬所有的電影，首先我們需要抓一個電影列表，一個好的列表應該： *　包含足夠多的電影的 URL *　通過翻頁，可以遍歷到所有的電影 *　一個按照更新時間排序的列表，可以更快抓到最新更新的電影 我們在 http://movie.douban.com/ 掃了一遍，發現并沒有一個列表能包含所有電影，只能退而求其次，通過抓取分類下的所有的標簽列表頁，來遍歷所有的電影： http://movie.douban.com/tag/ ## 創建一個項目 在 pyspider 的 dashboard 的右下角，點擊 "Create" 按鈕  替換 `on_start` 函數的 `self.crawl` 的 URL： ~~~ @every(minutes=24 * 60) def on_start(self): self.crawl('http://movie.douban.com/tag/', callback=self.index_page) ~~~ > self.crawl 告訴 pyspider 抓取指定頁面，然后使用 callback 函數對結果進行解析。 > @every 修飾器，表示 on_start 每天會執行一次，這樣就能抓到最新的電影了。 點擊綠色的 `run` 執行，你會看到 `follows` 上面有一個紅色的 1，切換到 `follows` 面板，點擊綠色的播放按鈕：  # Tag 列表頁 在 `tag` 列表頁 中，我們需要提取出所有的 電影列表頁 的 URL。你可能已經發現了，sample handler 已經提取了非常多大的 URL，所有，一種可行的提取列表頁 URL 的方法就是用正則從中過濾出來： ~~~ import re ... @config(age=10 * 24 * 60 * 60) def index_page(self, response): for each in response.doc('a[href^="http"]').items(): if re.match("http://movie.douban.com/tag/\w+", each.attr.href, re.U): self.crawl(each.attr.href, callback=self.list_page) ~~~ > 由于 電影列表頁和 tag列表頁長的并不一樣，在這里新建了一個 callback 為 self.list_page > @config(age=10 * 24 * 60 * 60) 在這表示我們認為 10 天內頁面有效，不會再次進行更新抓取 由于 pyspider 是純 Python 環境，你可以使用 Python 強大的內置庫，或者你熟悉的第三方庫對頁面進行解析。不過更推薦使用 CSS選擇器。 # 電影列表頁 再次點擊 run 讓我們進入一個電影列表頁(list_page)。在這個頁面中我們需要提取： * 電影的鏈接，例如，http://movie.douban.com/subject/1292052/ * 下一頁的鏈接，用來翻頁 ## CSS選擇器 CSS選擇器，顧名思義，是 CSS 用來定位需要設置樣式的元素 所使用的表達式。既然前端程序員都使用 CSS選擇器 為頁面上的不同元素設置樣式，我們也可以通過它定位需要的元素。你可以在 CSS 選擇器參考手冊 這里學習更多的 CSS選擇器 語法。 在 pyspider 中，內置了 `response.doc` 的 `PyQuery` 對象，讓你可以使用類似 `jQuery` 的語法操作 DOM 元素。你可以在 `PyQuery` 的頁面上找到完整的文檔。 ## CSS Selector Helper 在 pyspider 中，還內置了一個 CSS Selector Helper，當你點擊頁面上的元素的時候，可以幫你生成它的 CSS選擇器 表達式。你可以點擊 Enable CSS selector helper 按鈕，然后切換到 web 頁面：  開啟后，鼠標放在元素上，會被黃色高亮，點擊后，所有擁有相同 CSS選擇器 表達式的元素會被高亮。表達式會被插入到 python 代碼當前光標位置。創建下面的代碼，將光標停留在單引號中間： ~~~ def list_page(self, response): for each in response.doc('').items(): ~~~ 點擊一個電影的鏈接，CSS選擇器 表達式將會插入到你的代碼中，如此重復，插入翻頁的鏈接： ~~~ def list_page(self, response): for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV>TABLE TR.item>TD>DIV.pl2>A').items(): self.crawl(each.attr.href, callback=self.detail_page) # 翻頁 for each in response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.paginator>A').items(): self.crawl(each.attr.href, callback=self.list_page) ~~~ > 翻頁是一個到自己的 callback 回調 # 電影詳情頁 再次點擊 `run`，`follow` 到詳情頁。使用 `css selector helper` 分別添加電影標題，打分和導演： ~~~ def detail_page(self, response): return { "url": response.url, "title": response.doc('HTML>BODY>DIV#wrapper>DIV#content>H1>SPAN').text(), "rating": response.doc('HTML>BODY>DIV#wrapper>DIV#content>DIV.grid-16-8.clearfix>DIV.article>DIV.indent.clearfix>DIV.subjectwrap.clearfix>DIV#interest_sectl>DIV.rating_wrap.clearbox>P.rating_self.clearfix>STRONG.ll.rating_num').text(), "導演": [x.text() for x in response.doc('a[rel="v:directedBy"]').items()], } ~~~ 注意，你會發現 `css selector helper` 并不是總是能提取到合適的 CSS選擇器 表達式。你可以在 `Chrome Dev Tools` 的幫助下，寫一個合適的表達式：  右鍵點擊需要提取的元素，點擊審查元素。你并不需要像自動生成的表達式那樣寫出所有的祖先節點，只要寫出那些能區分你不需要的元素的關鍵節點的屬性就可以了。不過這需要抓取和網頁前端的經驗。所以，學習抓取的最好方法就是學會這個頁面/網站是怎么寫的。 你也可以在 `Chrome Dev Tools` 的 `Javascript Console` 中，使用 `$$(a[rel="v:directedBy"])` 測試 `CSS Selector`。 # 開始抓取 1. 使用 `run` 單步調試你的代碼，對于用一個 `callback` 最好使用多個頁面類型進行測試。然后保存。 2. 回到 `Dashboard`，找到你的項目 3. 將 `status` 修改為 `DEBUG` 或 `RUNNING` 4. 按 `run` 按鈕