Python之Scrapy爬蟲框架安裝及簡單使用
題記:早已聽聞python爬蟲框架的大名。近些天學習了下其中的Scrapy爬蟲框架,將自己理解的跟大家分享。有表述不當之處,望大神們斧正。
一、初窺Scrapy
Scrapy是一個為了爬取網站數據,提取結構性數據而編寫的應用框架。 可以應用在包括數據挖掘,信息處理或存儲歷史數據等一系列的程序中。
其最初是為了 頁面抓取 (更確切來說, 網絡抓取 )所設計的, 也可以應用在獲取API所返回的數據(例如 Amazon Associates Web Services ) 或者通用的網絡爬蟲。
本文檔將通過介紹Scrapy背後的概念使您對其工作原理有所了解, 並確定Scrapy是否是您所需要的。
當您準備好開始您的項目後,您可以參考 入門教程 。
二、Scrapy安裝介紹
Scrapy框架運行平臺及相關輔助工具
- Python 2.7(Python最新版3.5,這裏選擇了2.7版本)
- Python Package: pip and setuptools. 現在 pip 依賴 setuptools ,如果未安裝,則會自動安裝setuptools 。
- lxml. 大多數Linux發行版自帶了lxml。如果缺失,請查看http://lxml.de/installation.html
- OpenSSL. 除了Windows(請查看 平臺安裝指南)之外的系統都已經提供。
您可以使用pip來安裝Scrapy(推薦使用pip來安裝Python package).
pip install Scrapy
Windows下安裝流程:
1、安裝Python 2.7之後,您需要修改 PATH
環境變量,將Python的可執行程序及額外的腳本添加到系統路徑中。將以下路徑添加到 PATH
中:
C:\Python27\;C:\Python27\Scripts\;
除此之外,還可以用cmd命令來設置Path:
c:\python27\python.exe c:\python27\tools\scripts\win_add2path.py
安裝配置完成之後,可以執行命令python --version查看安裝的python版本。(如圖所示)
2、從 http://sourceforge.net/projects/pywin32/ 安裝 pywin32
請確認下載符合您系統的版本(win32或者amd64)
從 https://pip.pypa.io/en/latest/installing.html 安裝 pip
3、打開命令行窗口,確認 pip
被正確安裝:
pip --version
4、到目前為止Python 2.7 及 pip
已經可以正確運行了。接下來安裝Scrapy:
pip install Scrapy
至此windows下Scrapy安裝已經結束。
三、Scrapy入門教程
1、在cmd中創建Scrapy項目工程。
scrapy startproject tutorial
H:\python\scrapyDemo>scrapy startproject tutorial New Scrapy project ‘tutorial‘, using template directory ‘f:\\python27\\lib\\site-packages\\scrapy\\templates\\project‘, created in: H:\python\scrapyDemo\tutorial You can start your first spider with: cd tutorial scrapy genspider example example.com
2、文件目錄結構如下:。
解析scrapy框架結構:
scrapy.cfg
: 項目的配置文件。tutorial/
: 該項目的python模塊。之後您將在此加入代碼。tutorial/items.py
: 項目中的item文件。tutorial/pipelines.py
: 項目中的pipelines文件。tutorial/settings.py
: 項目的設置文件。tutorial/spiders/
: 放置spider代碼的目錄。
3、編寫簡單的爬蟲
1、在item.py中配置需采集頁面的字段實例。
1 # -*- coding: utf-8 -*- 2 3 # Define here the models for your scraped items 4 # 5 # See documentation in: 6 # http://doc.scrapy.org/en/latest/topics/items.html 7 8 import scrapy 9 from scrapy.item import Item, Field 10 11 class TutorialItem(Item): 12 title = Field() 13 author = Field() 14 releasedate = Field()
2、在tutorial/spiders/spider.py中書寫要采集的網站以及分別采集各字段。
1 # -*-coding:utf-8-*- 2 import sys 3 from scrapy.linkextractors.sgml import SgmlLinkExtractor 4 from scrapy.spiders import CrawlSpider, Rule 5 from tutorial.items import TutorialItem 6 7 reload(sys) 8 sys.setdefaultencoding("utf-8") 9 10 11 class ListSpider(CrawlSpider): 12 # 爬蟲名稱 13 name = "tutorial" 14 # 設置下載延時 15 download_delay = 1 16 # 允許域名 17 allowed_domains = ["news.cnblogs.com"] 18 # 開始URL 19 start_urls = [ 20 "https://news.cnblogs.com" 21 ] 22 # 爬取規則,不帶callback表示向該類url遞歸爬取 23 rules = ( 24 Rule(SgmlLinkExtractor(allow=(r‘https://news.cnblogs.com/n/page/\d‘,))), 25 Rule(SgmlLinkExtractor(allow=(r‘https://news.cnblogs.com/n/\d+‘,)), callback=‘parse_content‘), 26 ) 27 28 # 解析內容函數 29 def parse_content(self, response): 30 item = TutorialItem() 31 32 # 當前URL 33 title = response.selector.xpath(‘//div[@id="news_title"]‘)[0].extract().decode(‘utf-8‘) 34 item[‘title‘] = title 35 36 author = response.selector.xpath(‘//div[@id="news_info"]/span/a/text()‘)[0].extract().decode(‘utf-8‘) 37 item[‘author‘] = author 38 39 releasedate = response.selector.xpath(‘//div[@id="news_info"]/span[@class="time"]/text()‘)[0].extract().decode( 40 ‘utf-8‘) 41 item[‘releasedate‘] = releasedate 42 43 yield item
3、在tutorial/pipelines.py管道中保存數據。
1 # -*- coding: utf-8 -*- 2 3 # Define your item pipelines here 4 # 5 # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting 6 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html 7 import json 8 import codecs 9 10 11 class TutorialPipeline(object): 12 def __init__(self): 13 self.file = codecs.open(‘data.json‘, mode=‘wb‘, encoding=‘utf-8‘)#數據存儲到data.json 14 15 def process_item(self, item, spider): 16 line = json.dumps(dict(item)) + "\n" 17 self.file.write(line.decode("unicode_escape")) 18 19 return item
4、tutorial/settings.py中配置執行環境。
1 # -*- coding: utf-8 -*- 2 3 BOT_NAME = ‘tutorial‘ 4 5 SPIDER_MODULES = [‘tutorial.spiders‘] 6 NEWSPIDER_MODULE = ‘tutorial.spiders‘ 7 8 # 禁止cookies,防止被ban 9 COOKIES_ENABLED = False 10 COOKIES_ENABLES = False 11 12 # 設置Pipeline,此處實現數據寫入文件 13 ITEM_PIPELINES = { 14 ‘tutorial.pipelines.TutorialPipeline‘: 300 15 } 16 17 # 設置爬蟲爬取的最大深度 18 DEPTH_LIMIT = 100
5、新建main文件執行爬蟲代碼。
1 from scrapy import cmdline 2 cmdline.execute("scrapy crawl tutorial".split())
最終,執行main.py後在data.json文件中獲取到采集結果的json數據。
原文鏈接:http://www.cnblogs.com/liruihua/p/5957393.html
Python之Scrapy爬蟲框架安裝及簡單使用