Python之Scrapy爬蟲框架安裝及使用詳解
題記:早已聽聞python爬蟲框架的大名。近些天學(xué)習(xí)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(dāng)之處,望大神們斧正。
一、初窺Scrapy
Scrapy是一個為了爬取網(wǎng)站數(shù)據(jù),提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。 可以應(yīng)用在包括數(shù)據(jù)挖掘,信息處理或存儲歷史數(shù)據(jù)等一系列的程序中。
其最初是為了 頁面抓取 (更確切來說, 網(wǎng)絡(luò)抓取 )所設(shè)計的, 也可以應(yīng)用在獲取API所返回的數(shù)據(jù)(例如 Amazon Associates Web Services ) 或者通用的網(wǎng)絡(luò)爬蟲。
本文檔將通過介紹Scrapy背后的概念使您對其工作原理有所了解, 并確定Scrapy是否是您所需要的。
當(dāng)您準(zhǔn)備好開始您的項目后,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(guān)輔助工具
Python 2.7(Python最新版3.5,這里選擇了2.7版本)
Python Package: pip and setuptools. 現(xiàn)在 pip 依賴 setuptools ,如果未安裝,則會自動安裝setuptools 。
lxml. 大多數(shù)Linux發(fā)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(tǒng)都已經(jīng)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之后,您需要修改 PATH 環(huán)境變量,將Python的可執(zhí)行程序及額外的腳本添加到系統(tǒng)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(shè)置Path:
c:\python27\python.exe c:\python27\tools\scripts\win_add2path.py
安裝配置完成之后,可以執(zhí)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(rèn)下載符合您系統(tǒng)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(rèn) pip 被正確安裝:
pip --version
4、到目前為止Python 2.7 及 pip 已經(jīng)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(jīng)結(jié)束。
三、Scrapy入門教程
1、在cmd中創(chuàng)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(jié)構(gòu)如下:

解析scrapy框架結(jié)構(gòu):
scrapy.cfg: 項目的配置文件。
tutorial/: 該項目的python模塊。之后您將在此加入代碼。
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(shè)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。
# -*- 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中書寫要采集的網(wǎng)站以及分別采集各字段。
# -*-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):
# 爬蟲名稱
name = "tutorial"
# 設(shè)置下載延時
download_delay = 1
# 允許域名
allowed_domains = ["news.cnblogs.com"]
# 開始URL
start_urls = [
"https://news.cnblogs.com"
]
# 爬取規(guī)則,不帶callback表示向該類url遞歸爬取
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'),
)
# 解析內(nèi)容函數(shù)
def parse_content(self, response):
item = TutorialItem()
# 當(dāng)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管道中保存數(shù)據(jù)。
# -*- 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')#數(shù)據(jù)存儲到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中配置執(zhí)行環(huán)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
# 設(shè)置Pipeline,此處實現(xiàn)數(shù)據(jù)寫入文件
ITEM_PIPELINES = {
'tutorial.pipelines.TutorialPipeline': 300
}
# 設(shè)置爬蟲爬取的最大深度
DEPTH_LIMIT = 100
5、新建main文件執(zhí)行爬蟲代碼。
from scrapy import cmdline
cmdline.execute("scrapy crawl tutorial".split())
最終,執(zhí)行main.py后在data.json文件中獲取到采集結(jié)果的json數(shù)據(jù)。

以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python基于lxml模塊解析html獲取頁面內(nèi)所有葉子節(jié)點xpath路徑功能示例
這篇文章主要介紹了Python基于lxml模塊解析html獲取頁面內(nèi)所有葉子節(jié)點xpath路徑功能,結(jié)合實例形式較為詳細的分析了Python使用lxml模塊進行xml節(jié)點數(shù)據(jù)解析的相關(guān)操作技巧與注意事項,需要的朋友可以參考下2018-05-05
python3 使用Opencv打開USB攝像頭,配置1080P分辨率的操作
今天小編就為大家分享一篇python3 使用Opencv打開USB攝像頭,配置1080P分辨率的操作,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
Python Matplotlib繪制箱型圖(箱線圖)boxplot的方法詳解
箱線圖(箱型圖)主要作用是發(fā)現(xiàn)數(shù)據(jù)內(nèi)部整體的分布分散情況,包括上下限、各分位數(shù)、異常值等,本文為大家整理了Matplotlib繪制箱型圖的所以方法,希望對大家有所幫助2023-05-05
linux系統(tǒng)使用python獲取內(nèi)存使用信息腳本分享
這篇文章主要介紹了linux系統(tǒng)使用python獲取內(nèi)存使用情況信息,大家參考使用吧2014-01-01
Python使用captcha庫制作帶參數(shù)輸入驗證碼案例
這篇文章主要介紹了Python使用captcha庫制作驗證碼,帶參數(shù)輸入,本文通過實例案例解析給大家介紹的非常詳細,對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2022-05-05

