在Linux系统上安装Python的Scrapy框架的教程


Posted in Python onJune 11, 2015

这是一款提取网站数据的开源工具。Scrapy框架用Python开发而成,它使抓取工作又快又简单,且可扩展。我们已经在virtual box中创建一台虚拟机(VM)并且在上面安装了Ubuntu 14.04 LTS。
安装 Scrapy
Scrapy依赖于Python、开发库和pip。Python最新的版本已经在Ubuntu上预装了。因此我们在安装Scrapy之前只需安装pip和python开发库就可以了。

pip是作为python包索引器easy_install的替代品,用于安装和管理Python包。pip包的安装可见图 1。

sudo apt-get install python-pip

在Linux系统上安装Python的Scrapy框架的教程

图:1 pip安装

我们必须要用下面的命令安装python开发库。如果包没有安装那么就会在安装scrapy框架的时候报关于python.h头文件的错误。

sudo apt-get install python-dev

在Linux系统上安装Python的Scrapy框架的教程

    图:2 Python 开发库

scrapy框架既可从deb包安装也可以从源码安装。在图3中我们用pip(Python 包管理器)安装了deb包了。

sudo pip install scrapy

在Linux系统上安装Python的Scrapy框架的教程

    图:3 Scrapy 安装

图4中scrapy的成功安装需要一些时间。

在Linux系统上安装Python的Scrapy框架的教程

图:4 成功安装Scrapy框架
使用scrapy框架提取数据
基础教程

我们将用scrapy从fatwallet.com上提取商店名称(卖卡的店)。首先,我们使用下面的命令新建一个scrapy项目“store name”, 见图5。   

$sudo scrapy startproject store_name

    在Linux系统上安装Python的Scrapy框架的教程

    图:5 Scrapy框架新建项目

上面的命令在当前路径创建了一个“store_name”的目录。项目主目录下包含的文件/文件夹见图6。

  

$sudo ls ?lR store_name

   在Linux系统上安装Python的Scrapy框架的教程

    图:6 store_name项目的内容

每个文件/文件夹的概要如下:

  •     scrapy.cfg 是项目配置文件
  •     store_name/ 主目录下的另一个文件夹。 这个目录包含了项目的python代码
  •     store_name/items.py 包含了将由蜘蛛爬取的项目
  •     store_name/pipelines.py 是管道文件
  •     store_name/settings.py 是项目的配置文件
  •     store_name/spiders/, 包含了用于爬取的蜘蛛

由于我们要从fatwallet.com上如提取店名,因此我们如下修改文件(LCTT 译注:这里没说明是哪个文件,译者认为应该是 items.py)。

import scrapy
  class StoreNameItem(scrapy.Item):
    name = scrapy.Field()  # 取出卡片商店的名称

之后我们要在项目的store_name/spiders/文件夹下写一个新的蜘蛛。蜘蛛是一个python类,它包含了下面几个必须的属性:

  •     蜘蛛名 (name )
  •     爬取起点url (start_urls)
  •     包含了从响应中提取需要内容相应的正则表达式的解析方法。解析方法对爬虫而言很重要。

我们在storename/spiders/目录下创建了“storename.py”爬虫,并添加如下的代码来从fatwallet.com上提取店名。爬虫的输出写到文件(StoreName.txt)中,见图7。

from scrapy.selector import Selector
  from scrapy.spider import BaseSpider
  from scrapy.http import Request
  from scrapy.http import FormRequest
  import re
  class StoreNameItem(BaseSpider):
  name = "storename"
  allowed_domains = ["fatwallet.com"]
  start_urls = ["http://fatwallet.com/cash-back-shopping/"]
  def parse(self,response):
  output = open('StoreName.txt','w')
  resp = Selector(response)
  tags = resp.xpath('//tr[@class="storeListRow"]|\
       //tr[@class="storeListRow even"]|\
       //tr[@class="storeListRow even last"]|\
       //tr[@class="storeListRow last"]').extract()
  for i in tags:
  i = i.encode('utf-8', 'ignore').strip()
  store_name = ''
  if re.search(r"class=\"storeListStoreName\">.*?<",i,re.I|re.S):
  store_name = re.search(r"class=\"storeListStoreName\">.*?<",i,re.I|re.S).group()
  store_name = re.search(r">.*?<",store_name,re.I|re.S).group()
  store_name = re.sub(r'>',"",re.sub(r'<',"",store_name,re.I))
  store_name = re.sub(r'&',"&",re.sub(r'&',"&",store_name,re.I))
  #print store_name
  output.write(store_name+""+"\n")
  

在Linux系统上安装Python的Scrapy框架的教程

Python 相关文章推荐
Python字符转换
Sep 06 Python
在Python3中使用asyncio库进行快速数据抓取的教程
Apr 02 Python
python实现对excel进行数据剔除操作实例
Dec 07 Python
Python中面向对象你应该知道的一下知识
Jul 10 Python
手把手教你Python yLab的绘制折线图的画法
Oct 23 Python
python实现while循环打印星星的四种形状
Nov 23 Python
Django {{ MEDIA_URL }}无法显示图片的解决方式
Apr 07 Python
Python如何在main中调用函数内的函数方式
Jun 01 Python
Python爬虫实例——爬取美团美食数据
Jul 15 Python
Python基础教程之输入输出和运算符
Jul 26 Python
Python如何重新加载模块
Jul 29 Python
python Tkinter的简单入门教程
Apr 11 Python
Python语言实现机器学习的K-近邻算法
Jun 11 #Python
在Linux下使用Python的matplotlib绘制数据图的教程
Jun 11 #Python
python中的代码编码格式转换问题
Jun 10 #Python
python实现数独算法实例
Jun 09 #Python
python中的全局变量用法分析
Jun 09 #Python
python简单实现计算过期时间的方法
Jun 09 #Python
Python扫描IP段查看指定端口是否开放的方法
Jun 09 #Python
You might like
php显示指定目录下子目录的方法
2015/03/20 PHP
基于PHP实现用户登录注册功能的详细教程
2020/08/04 PHP
JavaScript与C# Windows应用程序交互方法
2007/06/29 Javascript
return false,对阻止事件默认动作的一些测试代码
2010/11/17 Javascript
关于JAVASCRIPT urldecode URL解码的问题
2012/01/08 Javascript
js中的屏蔽的使用示例
2013/07/30 Javascript
Node.js中使用事件发射器模式实现事件绑定详解
2014/08/15 Javascript
js获取字符串最后一位方法汇总
2014/11/13 Javascript
基于Bootstrap+jQuery.validate实现Form表单验证
2014/12/16 Javascript
Web打印解决方案之普通报表打印功能
2016/08/29 Javascript
Nodejs下DNS缓存问题浅析
2016/11/16 NodeJs
jquery实现自适应banner焦点图
2017/02/16 Javascript
JavaScript ES6中export、import与export default的用法和区别
2017/03/14 Javascript
jQuery实现小火箭返回顶部特效
2020/02/03 jQuery
python 判断自定义对象类型
2009/03/21 Python
Python+Django在windows下的开发环境配置图解
2009/11/11 Python
使用python绘制人人网好友关系图示例
2014/04/01 Python
python递归删除指定目录及其所有内容的方法
2017/01/13 Python
详解 Python 与文件对象共事的实例
2017/09/11 Python
python实现UDP协议下的文件传输
2020/03/20 Python
html5适合移动应用开发的12大特性
2014/03/19 HTML / CSS
Html5 语法与规则简要概述
2014/07/29 HTML / CSS
html5写一个BUI折叠菜单插件的实现方法
2019/09/11 HTML / CSS
英国50岁以上人群的交友网站:Ourtime
2018/03/28 全球购物
师范生自我鉴定
2014/03/20 职场文书
企业口号大全
2014/06/12 职场文书
应急处置方案
2014/06/16 职场文书
党的群众路线教育实践活动心得体会(乡镇)
2014/11/03 职场文书
父亲节活动总结
2015/02/12 职场文书
争先创优个人总结
2015/03/04 职场文书
大学感恩节活动总结
2015/05/05 职场文书
安全生产学习心得体会
2016/01/18 职场文书
高三英语教学反思
2016/03/03 职场文书
浅谈Python类的单继承相关知识
2021/05/12 Python
Vue3.0写自定义指令的简单步骤记录
2021/06/27 Vue.js
Python实现归一化算法详情
2022/03/18 Python