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
详解Python中for循环的使用
Apr 14 Python
python使用post提交数据到远程url的方法
Apr 29 Python
对python中raw_input()和input()的用法详解
Apr 22 Python
python消费kafka数据批量插入到es的方法
Dec 27 Python
淘宝秒杀python脚本 扫码登录版
Sep 19 Python
解决django后台管理界面添加中文内容乱码问题
Nov 15 Python
使用python远程操作linux过程解析
Dec 04 Python
使用python批量转换文件编码为UTF-8的实现
Apr 03 Python
初学者学习Python好还是Java好
May 26 Python
如何理解python面向对象编程
Jun 01 Python
pycharm 的Structure界面设置操作
Feb 05 Python
matlab xlabel位置的设置方式
May 21 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的FTP学习(四)
2006/10/09 PHP
浅谈PDO的rowCount函数
2015/06/18 PHP
PHP实现的mysql操作类【MySQL与MySQLi方式】
2017/10/07 PHP
基于jQuery的试卷自动排版系统实现代码
2011/01/06 Javascript
jQuery UI的Dialog无法提交问题的解决方法
2011/01/11 Javascript
JS阻止冒泡事件以及默认事件发生的简单方法
2014/01/17 Javascript
js 显示base64编码的二进制流网页图片
2014/04/04 Javascript
详解JavaScript的Polymer框架中的通知交互
2015/07/29 Javascript
JS跨域请求外部服务器的资源
2017/02/06 Javascript
jQuery实现鼠标响应式透明度渐变动画效果示例
2018/02/13 jQuery
仿iPhone通讯录制作小程序自定义选择组件的实现
2019/05/23 Javascript
elementui之el-tebs浏览器卡死的问题和使用报错未注册问题
2019/07/06 Javascript
Vue快速实现通用表单验证的示例代码
2020/01/09 Javascript
JS document form表单元素操作完整示例
2020/01/13 Javascript
[07:20]2014DOTA2西雅图国际邀请赛 选手讲解积分赛第二天
2014/07/11 DOTA
python网络编程学习笔记(一)
2014/06/09 Python
python使用mysql的两种使用方式
2018/03/07 Python
python中利用h5py模块读取h5文件中的主键方法
2018/06/05 Python
python3监控CentOS磁盘空间脚本
2018/06/21 Python
Python生成指定数量的优惠码实操内容
2019/06/18 Python
python网络编程之多线程同时接受和发送
2019/09/03 Python
python多进程(加入进程池)操作常见案例
2019/10/21 Python
在tensorflow中设置保存checkpoint的最大数量实例
2020/01/21 Python
Python基于模块Paramiko实现SSHv2协议
2020/04/28 Python
python获取天气接口给指定微信好友发天气预报
2020/12/28 Python
详解移动端h5页面根据屏幕适配的四种方案
2020/04/15 HTML / CSS
BNKR中国官网:带你感受澳洲领先潮流时尚
2018/08/21 全球购物
Yummie官方网站:塑身衣和衣柜必需品
2019/10/29 全球购物
同步和异步有何异同,在什么情况下分别使用他们?举例说明
2014/02/27 面试题
房地产还款计划书
2014/01/10 职场文书
新郎父亲婚宴答谢词
2014/01/11 职场文书
网页美工求职信范文
2014/04/17 职场文书
省级优秀班集体申报材料
2014/05/25 职场文书
环保小标语
2014/06/13 职场文书
网吧员工管理制度
2015/08/05 职场文书
AJAX实现指定部分页面刷新效果
2021/10/16 Javascript