Python之Scrapy爬虫框架安装及简单使用详解


Posted in Python onDecember 22, 2017

题记:早已听闻python爬虫框架的大名。近些天学习了下其中的Scrapy爬虫框架,将自己理解的跟大家分享。有表述不当之处,望大神们斧正。

一、初窥Scrapy

Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。

其最初是为了页面抓取(更确切来说,网络抓取)所设计的, 也可以应用在获取API所返回的数据(例如Amazon Associates Web Services) 或者通用的网络爬虫。

本文档将通过介绍Scrapy背后的概念使您对其工作原理有所了解, 并确定Scrapy是否是您所需要的。

当您准备好开始您的项目后,您可以参考入门教程。

二、Scrapy安装介绍

Scrapy框架运行平台及相关辅助工具

  1. Python2.7(Python最新版3.5,这里选择了2.7版本)
  2. Python Package:pipandsetuptools. 现在pip依赖setuptools,如果未安装,则会自动安装setuptools。
  3. lxml. 大多数Linux发行版自带了lxml。如果缺失,请查看http://lxml.de/installation.html
  4. OpenSSL. 除了Windows(请查看平台安装指南)之外的系统都已经提供。

您可以使用pip来安装Scrapy(推荐使用pip来安装Python package).

pip install Scrapy

Windows下安装流程:

1、安装Python 2.7之后,您需要修改PATH环境变量,将Python的可执行程序及额外的脚本添加到系统路径中。将以下路径添加到PATH中:

C:\Python27\;C:\Python27\Scripts\;

除此之外,还可以用cmd命令来设置Path:

c:\python27\python.exe c:\python27\tools\scripts\win_add2path.py

安装配置完成之后,可以执行命令python --version查看安装的python版本。(如图所示)

Python之Scrapy爬虫框架安装及简单使用详解

2、从http://sourceforge.net/projects/pywin32/安装pywin32

请确认下载符合您系统的版本(win32或者amd64)

从https://pip.pypa.io/en/latest/installing.html安装pip

3、打开命令行窗口,确认pip被正确安装:

pip --version

4、到目前为止Python 2.7 及pip已经可以正确运行了。接下来安装Scrapy:

pip install Scrapy

至此windows下Scrapy安装已经结束。

三、Scrapy入门教程

1、在cmd中创建Scrapy项目工程。

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、文件目录结构如下:

Python之Scrapy爬虫框架安装及简单使用详解

解析scrapy框架结构:

  1. scrapy.cfg: 项目的配置文件。
  2. tutorial/: 该项目的python模块。之后您将在此加入代码。
  3. tutorial/items.py: 项目中的item文件。
  4. tutorial/pipelines.py: 项目中的pipelines文件。
  5. tutorial/settings.py: 项目的设置文件。
  6. tutorial/spiders/: 放置spider代码的目录。

3、编写简单的爬虫

1、在item.py中配置需采集页面的字段实例。

# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
from scrapy.item import Item, Field
class TutorialItem(Item):
  title = Field()
  author = Field()
  releasedate = Field()

2、在tutorial/spiders/spider.py中书写要采集的网站以及分别采集各字段。

# -*-coding:utf-8-*-
import sys
from scrapy.linkextractors.sgml import SgmlLinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from tutorial.items import TutorialItem
reload(sys)
sys.setdefaultencoding("utf-8")
class ListSpider(CrawlSpider):
  # 爬虫名称
  name = "tutorial"
  # 设置下载延时
  download_delay = 1
  # 允许域名
  allowed_domains = ["news.cnblogs.com"]
  # 开始URL
  start_urls = [
    "https://news.cnblogs.com"
  ]
  # 爬取规则,不带callback表示向该类url递归爬取
  rules = (
    Rule(SgmlLinkExtractor(allow=(r'https://news.cnblogs.com/n/page/\d',))),
    Rule(SgmlLinkExtractor(allow=(r'https://news.cnblogs.com/n/\d+',)), callback='parse_content'),
  )

  # 解析内容函数
  def parse_content(self, response):
    item = TutorialItem()

    # 当前URL
    title = response.selector.xpath('//div[@id="news_title"]')[0].extract().decode('utf-8')
    item['title'] = title

    author = response.selector.xpath('//div[@id="news_info"]/span/a/text()')[0].extract().decode('utf-8')
    item['author'] = author

    releasedate = response.selector.xpath('//div[@id="news_info"]/span[@class="time"]/text()')[0].extract().decode(
      'utf-8')
    item['releasedate'] = releasedate

    yield item

3、在tutorial/pipelines.py管道中保存数据。

# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json
import codecs
class TutorialPipeline(object):
  def __init__(self):
    self.file = codecs.open('data.json', mode='wb', encoding='utf-8')#数据存储到data.json

  def process_item(self, item, spider):
    line = json.dumps(dict(item)) + "\n"
    self.file.write(line.decode("unicode_escape"))

    return item

4、tutorial/settings.py中配置执行环境。

# -*- coding: utf-8 -*-
BOT_NAME = 'tutorial'
SPIDER_MODULES = ['tutorial.spiders']
NEWSPIDER_MODULE = 'tutorial.spiders'

# 禁止cookies,防止被ban
COOKIES_ENABLED = False
COOKIES_ENABLES = False

# 设置Pipeline,此处实现数据写入文件
ITEM_PIPELINES = {
  'tutorial.pipelines.TutorialPipeline': 300
}

# 设置爬虫爬取的最大深度
DEPTH_LIMIT = 100

5、新建main文件执行爬虫代码。

from scrapy import cmdline
cmdline.execute("scrapy crawl tutorial".split())

最终,执行main.py后在data.json文件中获取到采集结果的json数据。

Python之Scrapy爬虫框架安装及简单使用详解

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python时间获取及转换知识汇总
Jan 11 Python
Python用for循环实现九九乘法表
May 31 Python
Python实现iOS自动化打包详解步骤
Oct 03 Python
Python3 使用cookiejar管理cookie的方法
Dec 28 Python
Python使用pydub库对mp3与wav格式进行互转的方法
Jan 10 Python
简单了解python 邮件模块的使用方法
Jul 24 Python
pytorch 在网络中添加可训练参数,修改预训练权重文件的方法
Aug 17 Python
python 利用turtle库绘制笑脸和哭脸的例子
Nov 23 Python
python怎么删除缓存文件
Jul 19 Python
完美解决Pycharm中matplotlib画图中文乱码问题
Jan 11 Python
Python 的 f-string 可以连接字符串与数字的原因解析
Feb 20 Python
python爬取股票最新数据并用excel绘制树状图的示例
Mar 01 Python
Python2.7下安装Scrapy框架步骤教程
Dec 22 #Python
Python机器学习之决策树算法
Dec 22 #Python
python+selenium实现登录账户后自动点击的示例
Dec 22 #Python
python实现决策树
Dec 21 #Python
python利用sklearn包编写决策树源代码
Dec 21 #Python
python实现决策树分类算法
Dec 21 #Python
Python语言描述机器学习之Logistic回归算法
Dec 21 #Python
You might like
《PHP编程最快明白》第三讲:php数组
2010/11/01 PHP
PHP版本如何选择?应该使用哪个版本?
2015/05/13 PHP
php获取文件类型和文件信息的方法
2015/07/10 PHP
php实现多城市切换特效
2015/08/09 PHP
PHP中的empty、isset、isnull的区别与使用实例
2019/03/22 PHP
Laravel框架处理用户的请求操作详解
2019/12/20 PHP
JavaScript中的new的使用方法与注意事项
2007/05/16 Javascript
js url传值中文乱码之解决之道
2009/11/20 Javascript
深入理解JavaScript系列(9) 根本没有“JSON对象”这回事!
2012/01/15 Javascript
简单实用的反馈表单无刷新提交带验证
2013/11/15 Javascript
一不小心就做错的JS闭包面试题
2015/11/25 Javascript
js中遍历对象的属性和值的方法
2016/07/27 Javascript
AngulerJS学习之按需动态加载文件
2017/02/13 Javascript
js 性能优化之算法和流程控制
2017/02/15 Javascript
less简单入门(CSS 预处理语言)
2017/03/08 Javascript
mescroll.js上拉加载下拉刷新组件使用详解
2017/11/13 Javascript
集成vue到jquery/bootstrap项目的方法
2018/02/10 jQuery
vue-cli 引入、配置axios的方法
2018/05/08 Javascript
vue-cli3项目升级到vue-cli4 的方法总结
2020/03/19 Javascript
js实现滚动条自动滚动
2020/12/13 Javascript
Python 多线程实例详解
2017/03/25 Python
python中类和实例如何绑定属性与方法示例详解
2017/08/18 Python
Python实现字典按key或者value进行排序操作示例【sorted】
2019/05/03 Python
python函数不定长参数使用方法解析
2019/12/14 Python
opencv resize图片为正方形尺寸的实现方法
2019/12/26 Python
使用python爬取抖音app视频的实例代码
2020/12/01 Python
Canvas 像素处理之改变透明度的实现代码
2019/01/08 HTML / CSS
AURALog面试题软件测试方面
2013/10/22 面试题
2015年元旦文艺汇演主持词
2014/03/26 职场文书
群众路线查摆问题整改措施思想汇报
2014/10/10 职场文书
合法的离婚协议书范本
2014/10/23 职场文书
2015年政务公开工作总结
2015/05/19 职场文书
2015年国庆晚会主持词
2015/07/01 职场文书
学校教师培训工作总结
2015/10/14 职场文书
2016年小学感恩节活动总结
2016/04/01 职场文书
MySQL慢查询优化解决问题
2022/03/17 MySQL