虽然以前写过 如何抓取WEB页面 和 如何从 WEB 页面中提取信息。但是感觉还是需要一篇 step by step 的教程，不然没有一个总体的认识。不过，没想到这个教程居然会变成一篇译文，在这个爬虫教程系列文章中，会以实际的例子，由浅入深讨论爬取(抓取和解析)的一些关键问题。
在 教程一 中，我们将要爬取的网站是豆瓣电影：http://movie.douban.com/
你可以在: http://demo.pyspider.org/debug/tutorial_douban_movie 获得完整的代码，和进行测试。
开始之前
由于教程是基于 pyspider 的，你可以安装一个 pyspider(Quickstart，也可以直接使用 pyspider 的 demo 环境： http://demo.pyspider.org/。
你还应该至少对万维网是什么有一个简单的认识：
- 万维网是一个由许多互相链接的超文本页面(以下简称网页)组成的系统。
- 网页使用网址(URL)定位，并链接彼此
- 网页使用 HTTP 协议传输
- 网页使用 HTML 描述外观和语义
所以，爬网页实际上就是：
- 找到包含我们需要的信息的网址(URL)列表
- 通过 HTTP 协议把页面下载回来
- 从页面的 HTML 中解析出需要的信息
- 找到更多这个的 URL，回到 2 继续
选取一个开始网址
既然我们要爬所有的电影，首先我们需要抓一个电影列表，一个好的列表应该：
- 包含足够多的电影的 URL
- 通过翻页，可以遍历到所有的电影
- 一个按照更新时间排序的列表，可以更快抓到最新更新的电影
我们在 http://movie.douban.com/ 扫了一遍，发现并没有一个列表能包含所有电影，只能退而求其次，通过抓取分类下的所有的标签列表页，来遍历所有的电影： http://movie.douban.com/tag/
创建一个项目
在 pyspider 的 dashboard 的右下角，点击 “Create” 按钮
替换 on_start 函数的 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 告诉 pyspider 抓取指定页面，然后使用 callback 函数对结果进行解析。
- @every 修饰器，表示 on_start 每天会执行一次，这样就能抓到最新的电影了。
点击绿色的 run 执行，你会看到 follows 上面有一个红色的 1，切换到 follows 面板，点击绿色的播放按钮：
Tag 列表页
在 tag 列表页 中，我们需要提取出所有的 电影列表页 的 URL。你可能已经发现了，sample handler 已经提取了非常多大的 URL，所有，一种可行的提取列表页 URL 的方法就是用正则从中过滤出来：
- 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 电影列表页和 tag列表页长的并不一样，在这里新建了一个 callback 为 self.list_page
- @config(age=10 * 24 * 60 * 60) 在这表示我们认为 10 天内页面有效，不会再次进行更新抓取
- 由于 pyspider 是纯 Python 环境，你可以使用 Python 强大的内置库，或者你熟悉的第三方库对页面进行解析。不过更推荐使用 CSS选择器。
电影列表页
再次点击 run 让我们进入一个电影列表页(list_page)。在这个页面中我们需要提取：
- 电影的链接，例如，http://movie.douban.com/subject/1292052/
- 下一页的链接，用来翻页
CSS选择器
CSS选择器，顾名思义，是 CSS 用来定位需要设置样式的元素 所使用的表达式。既然前端程序员都使用 CSS选择器 为页面上的不同元素设置样式，我们也可以通过它定位需要的元素。你可以在 CSS 选择器参考手册 这里学习更多的 CSS选择器 语法。
在 pyspider 中，内置了 response.doc 的 PyQuery 对象，让你可以使用类似 jQuery 的语法操作 DOM 元素。你可以在 PyQuery 的页面上找到完整的文档。
CSS Selector Helper
在 pyspider 中，还内置了一个 CSS Selector Helper，当你点击页面上的元素的时候，可以帮你生成它的 CSS选择器 表达式。你可以点击 Enable CSS selector helper 按钮，然后切换到 web 页面：
开启后，鼠标放在元素上，会被黄色高亮，点击后，所有拥有相同 CSS选择器 表达式的元素会被高亮。表达式会被插入到 python 代码当前光标位置。创建下面的代码，将光标停留在单引号中间：
- def list_page(self, response):
- for each in response.doc('').items():
点击一个电影的链接，CSS选择器 表达式将会插入到你的代码中，如此重复，插入翻页的链接：
- 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)
- # 翻页
- 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)
- 翻页是一个到自己的 callback 回调
电影详情页
再次点击 run，follow 到详情页。使用 css selector helper 分别添加电影标题，打分和导演：
- 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(),
- "导演": [x.text() for x in response.doc('a[rel="v:directedBy"]').items()],
- }
注意，你会发现 css selector helper 并不是总是能提取到合适的 CSS选择器 表达式。你可以在 Chrome Dev Tools 的帮助下，写一个合适的表达式：
右键点击需要提取的元素，点击审查元素。你并不需要像自动生成的表达式那样写出所有的祖先节点，只要写出那些能区分你不需要的元素的关键节点的属性就可以了。不过这需要抓取和网页前端的经验。所以，学习抓取的最好方法就是学会这个页面/网站是怎么写的。
你也可以在 Chrome Dev Tools 的 Javascript Console 中，使用 $$(a[rel="v:directedBy"]) 测试 CSS Selector。
开始抓取
- 使用 run 单步调试你的代码，对于用一个 callback 最好使用多个页面类型进行测试。然后保存。
- 回到 Dashboard，找到你的项目
- 将 status 修改为 DEBUG 或 RUNNING
- 按 run 按钮
