Scrapy的安裝介紹

Scrapy框架官方網(wǎng)址：http://doc.scrapy.org/en/latest

Scrapy中文維護(hù)站點(diǎn)：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安裝方式

• Python 2 / 3
• 升級pip版本：pip install --upgrade pip
• 通過pip 安裝 Scrapy 框架pip install Scrapy

Ubuntu 需要9.10或以上版本安裝方式

• Python 2 / 3
• 安裝非Python的依賴?sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
• 通過pip 安裝 Scrapy 框架?sudo pip install scrapy

安裝后，只要在命令終端輸入 scrapy，提示類似以下結(jié)果，代表已經(jīng)安裝成功

?

具體Scrapy安裝流程參考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes?里面有各個平臺的安裝方法

入門案例

學(xué)習(xí)目標(biāo)

• 創(chuàng)建一個Scrapy項目
• 定義提取的結(jié)構(gòu)化數(shù)據(jù)(Item)
• 編寫爬取網(wǎng)站的 Spider 并提取出結(jié)構(gòu)化數(shù)據(jù)(Item)
• 編寫 Item Pipelines 來存儲提取到的Item(即結(jié)構(gòu)化數(shù)據(jù))

一. 新建項目(scrapy startproject)

• 在開始爬取之前，必須創(chuàng)建一個新的Scrapy項目。進(jìn)入自定義的項目目錄中，運(yùn)行下列命令：

scrapy startproject mySpider

• 其中， mySpider 為項目名稱，可以看到將會創(chuàng)建一個 mySpider 文件夾，目錄結(jié)構(gòu)大致如下：

?

下面來簡單介紹一下各個主要文件的作用：

scrapy.cfg ：項目的配置文件

mySpider/ ：項目的Python模塊，將會從這里引用代碼

mySpider/items.py ：項目的目標(biāo)文件

mySpider/pipelines.py ：項目的管道文件

mySpider/settings.py ：項目的設(shè)置文件

mySpider/spiders/ ：存儲爬蟲代碼目錄

二、明確目標(biāo)(mySpider/items.py)

我們打算抓取：http://www.itcast.cn/channel/teacher.shtml?網(wǎng)站里的所有講師的姓名、職稱和個人信息。

1. 打開mySpider目錄下的items.py

2. Item 定義結(jié)構(gòu)化數(shù)據(jù)字段，用來保存爬取到的數(shù)據(jù)，有點(diǎn)像Python中的dict，但是提供了一些額外的保護(hù)減少錯誤。

3. 可以通過創(chuàng)建一個 scrapy.Item 類， 并且定義類型為 scrapy.Field的類屬性來定義一個Item（可以理解成類似于ORM的映射關(guān)系）。

4. 接下來，創(chuàng)建一個ItcastItem 類，和構(gòu)建item模型（model）。

import scrapyclass ItcastItem(scrapy.Item):name = scrapy.Field()level = scrapy.Field()info = scrapy.Field()

三、制作爬蟲 （spiders/itcastSpider.py）

爬蟲功能要分兩步：

1. 爬數(shù)據(jù)

• 在當(dāng)前目錄下輸入命令，將在mySpider/spider目錄下創(chuàng)建一個名為itcast的爬蟲，并指定爬取域的范圍：

scrapy genspider itcast "itcast.cn"

• 打開 mySpider/spider目錄里的 itcast.py，默認(rèn)增加了下列代碼:

import scrapyclass ItcastSpider(scrapy.Spider):name = "itcast"allowed_domains = ["itcast.cn"]start_urls = ('http://www.itcast.cn/',)def parse(self, response):pass

其實(shí)也可以由我們自行創(chuàng)建itcast.py并編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩

要建立一個Spider， 你必須用scrapy.Spider類創(chuàng)建一個子類，并確定了三個強(qiáng)制的屬性 和 一個方法。

• name = ""?：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

• allow_domains = []?是搜索的域名范圍，也就是爬蟲的約束區(qū)域，規(guī)定爬蟲只爬取這個域名下的網(wǎng)頁，不存在的URL會被忽略。

• start_urls = ()?：爬取的URL元祖/列表。爬蟲從這里開始抓取數(shù)據(jù)，所以，第一次下載的數(shù)據(jù)將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

• parse(self, response)?：解析的方法，每個初始URL完成下載后將被調(diào)用，調(diào)用的時候傳入從每一個URL傳回的Response對象來作為唯一參數(shù)，主要作用如下：

  1. 負(fù)責(zé)解析返回的網(wǎng)頁數(shù)據(jù)(response.body)，提取結(jié)構(gòu)化數(shù)據(jù)(生成item)
  2. 生成需要下一頁的URL請求。

將start_urls的值修改為需要爬取的第一個url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response):filename = "teacher.html"open(filename, 'w').write(response.body)

然后運(yùn)行一下看看，在mySpider目錄下執(zhí)行：

scrapy crawl itcast

是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用?scrapy genspider命令的唯一爬蟲名。

運(yùn)行之后，如果打印的日志出現(xiàn)?[scrapy] INFO: Spider closed (finished)，代表執(zhí)行完成。 之后當(dāng)前文件夾中就出現(xiàn)了一個 teacher.html 文件，里面就是我們剛剛要爬取的網(wǎng)頁的全部源代碼信息。

# 注意，Python2.x默認(rèn)編碼環(huán)境是ASCII，當(dāng)和取回的數(shù)據(jù)編碼格式不一致時，可能會造成亂碼；
# 我們可以指定保存內(nèi)容的編碼格式，一般情況下，我們可以在代碼最上方添加：import sysreload(sys)sys.setdefaultencoding("utf-8")# 這三行代碼是Python2.x里解決中文編碼的萬能鑰匙，經(jīng)過這么多年的吐槽后Python3學(xué)乖了，默認(rèn)編碼是Unicode了...(祝大家早日擁抱Python3)

---

2. 取數(shù)據(jù)

• 爬取整個網(wǎng)頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：

?

<div class="li_txt"><h3>  xxx  </h3><h4> xxxxx </h4><p> xxxxxxxx </p>

是不是一目了然？直接上XPath開始提取數(shù)據(jù)吧。

• 我們之前在mySpider/items.py 里定義了一個ItcastItem類。 這里引入進(jìn)來

  from mySpider.items import ItcastItem

• 然后將我們得到的數(shù)據(jù)封裝到一個?ItcastItem?對象中，可以保存每個老師的屬性：

from mySpider.items import ItcastItemdef parse(self, response):#open("teacher.html","wb").write(response.body).close()# 存放老師信息的集合items = []for each in response.xpath("//div[@class='li_txt']"):# 將我們得到的數(shù)據(jù)封裝到一個 `ItcastItem` 對象item = ItcastItem()#extract()方法返回的都是unicode字符串name = each.xpath("h3/text()").extract()title = each.xpath("h4/text()").extract()info = each.xpath("p/text()").extract()#xpath返回的是包含一個元素的列表item['name'] = name[0]item['title'] = title[0]item['info'] = info[0]items.append(item)# 直接返回最后數(shù)據(jù)return items

• 我們暫時先不處理管道，后面會詳細(xì)介紹。

保存數(shù)據(jù)

scrapy保存信息的最簡單的方法主要有四種，-o 輸出指定格式的文件，，命令如下：

# json格式，默認(rèn)為Unicode編碼
scrapy crawl itcast -o teachers.json# json lines格式，默認(rèn)為Unicode編碼
scrapy crawl itcast -o teachers.jsonl# csv 逗號表達(dá)式，可用Excel打開
scrapy crawl itcast -o teachers.csv# xml格式
scrapy crawl itcast -o teachers.xml

---

思考

如果將代碼改成下面形式，結(jié)果完全一樣。

請思考 yield 在這里的作用：

from mySpider.items import ItcastItemdef parse(self, response):#open("teacher.html","wb").write(response.body).close()# 存放老師信息的集合#items = []for each in response.xpath("//div[@class='li_txt']"):# 將我們得到的數(shù)據(jù)封裝到一個 `ItcastItem` 對象item = ItcastItem()#extract()方法返回的都是unicode字符串name = each.xpath("h3/text()").extract()title = each.xpath("h4/text()").extract()info = each.xpath("p/text()").extract()#xpath返回的是包含一個元素的列表item['name'] = name[0]item['title'] = title[0]item['info'] = info[0]#items.append(item)#將獲取的數(shù)據(jù)交給pipelinesyield item# 返回數(shù)據(jù)，不經(jīng)過pipeline#return items

總結(jié)

以上是生活随笔為你收集整理的Python:Scrapy的安装和入门案例的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。