【Python | 邊學(xué)邊敲邊記】第四次：初識(shí)爬蟲框架Scrapy

一、前言

本系列上一篇：【Python | 邊學(xué)邊敲邊記】第三次：URL去重策略

今天給大家分享的是，Python里的爬蟲框架Scrapy學(xué)習(xí)，包含python虛擬環(huán)境的搭建、虛擬環(huán)境的使用、Scrapy安裝方法詳解、Scrapy基本使用、Scrapy項(xiàng)目目錄及內(nèi)容基本介紹，let's go！

二、Python爬蟲框架Scrapy簡(jiǎn)介

推薦查看Scrapy中文幫助文檔：點(diǎn)擊 閱讀原文 靜下心來(lái)學(xué)習(xí)！

 1


# 維基百科看Scrapy




 2


'''



 3

Scrapy（SKRAY -pee）是一個(gè)免費(fèi)和開源 網(wǎng)絡(luò)爬行 框架 Python編寫的。最初設(shè)計(jì)用于Web抓取，它還可



 4

以用于使用API或作為通用Web爬網(wǎng)程序提取數(shù)據(jù)。它目前由網(wǎng)絡(luò)抓取開發(fā)和服務(wù)公司Scrapinghub Ltd.維護(hù)



 5

。



 6

Scrapy項(xiàng)目體系結(jié)構(gòu)是圍繞“Spider”構(gòu)建的，它們是自包含的爬蟲，可以獲得一組指令。遵循其他框架的精



 7

神，不重復(fù)自己的框架，例如Django，它允許開發(fā)人員重用他們的代碼，從而更容易構(gòu)建和擴(kuò)展大型爬行項(xiàng)



 8

目。Scrapy還提供了一個(gè)Web爬行shell，開發(fā)人員可以使用它來(lái)測(cè)試他們對(duì)站點(diǎn)行為的假設(shè)。



 9

(英譯漢有點(diǎn)尷尬！真的想學(xué)，還是好好看上面的幫助文檔吧)



10

'''

三、看代碼，邊學(xué)邊敲邊記虛擬環(huán)境、Scrapy框架

下面 操作之前你需要準(zhǔn)備好：
(1) 你的 python 版本是3.x，最好系統(tǒng)里只有一個(gè)python環(huán)境,后面所有學(xué)習(xí)筆記都基于 py3 的。
(2) python 環(huán)境里先安裝 virtualenv 模塊，基本方法 pip install virtualenv 。
(3)選擇好虛擬環(huán)境的安裝目錄(我選的是H盤目錄下的 env 文件夾，建議你選的目錄路徑里最好不要有中文)。

1

PS H:\env\> virtualenv spiderenv



2

Using base prefix 'c:\\users\\82055\\appdata\\local\\programs\\python\\python36'



3

New python executable in H:\env\spiderenv\Scripts\python.exe



4

Installing setuptools, pip, wheel...done.



5

注： 如果系統(tǒng)中有兩個(gè)python環(huán)境（py2和py3）,新建基于py3的虛擬環(huán)境方法



6

virtualenv -python=你的Python3安裝目錄(精確到python.exe) spiderenv(虛擬環(huán)境名稱)

安裝完成后再自己選擇的目錄下會(huì)多出一個(gè)文件夾(虛擬環(huán)境)，我這里為 H：\env\spiderenv ,后面所有爬蟲學(xué)習(xí)過程中需要的模塊、接口都將 pip (安裝)在里面。

進(jìn)入到目錄 H:\env\spiderenv\Scripts (我的虛擬環(huán)境目錄)，按住 shift +鼠標(biāo)右鍵，打開 powershell 或者 cmd (如果是 powershell 就先輸入 cmd )，再輸入 activate ，進(jìn)入虛擬環(huán)境，你會(huì)發(fā)現(xiàn)在路徑前面多了一個(gè)括號(hào)里面是你的虛擬環(huán)境名稱，表示你進(jìn)入了虛擬環(huán)境。具體看下面：

1

# 注：打開powershell 的可以參照下面操作



2

PS H:\env\spiderenv\Scripts> cmd



3

Microsoft Windows [版本 10.0.17134.112]



4

(c) 2018 Microsoft Corporation。保留所有權(quán)利。



5




6

H:\env\spiderenv\Scripts>activate



7

(spiderenv) H:\spiderenv\Scripts>

安裝 scrapy 模塊(下面操作都是在虛擬環(huán)境下)：
方法一：直接pip安裝(最簡(jiǎn)單，安裝慢，可能出錯(cuò))

1

pip install scrapy

方法二：輪子(wheel)安裝(比較簡(jiǎn)單，安裝速度還可以，基本不出錯(cuò))
點(diǎn)擊這里下載scrapy的 .whl 文件，然后移動(dòng)到你的虛擬環(huán)境目錄下(比如我的就移動(dòng)到 H:\env\spiderenv\Scripts ),

1

pip install Scrapy-1.5.1-py2.py3-none-any.whl

方法三：豆瓣源安裝(比較簡(jiǎn)單，安裝速度快，方便，推薦)

1

pip install -i https://pypi.douban.com/simple/  scrapy

安裝 virtualenvwrapper 模塊，用于管理我們所建的虛擬環(huán)境

1

# windows下安裝方法



2

 pip install virtualenvwrapper-win



3

# 其他環(huán)境下安裝



4

 pip install virtualenvwrapper

安裝完成后，打開 控制面板 - > 系統(tǒng) -> 高級(jí)系統(tǒng)設(shè)置 - > 環(huán)境變量 ->   系統(tǒng)變量 -> 新建 ，在 新建系統(tǒng)環(huán)境變量對(duì)話框 中輸入如下

1

變量名：WORKON_HOME



2

變量值：你的虛擬環(huán)境安裝目錄



3


比如：我的虛擬環(huán)境spiderenv安裝在H:\env目錄下，我的變量值就為：H：\env\




4

注：變量值最后一定要以 \ 結(jié)尾，不然可能不會(huì)產(chǎn)生效果。

 1

PS C:\Users\82055\Desktop> cmd



 2

Microsoft Windows [版本 10.0.17134.112]



 3

(c) 2018 Microsoft Corporation。保留所有權(quán)利。



 4




 5

C:\Users\82055\Desktop>workon



 6




 7

Pass a name to activate one of the following virtualenvs:



 8

==============================================================================



 9

spiderenv



10




11

C:\Users\82055\Desktop>workon spiderenv



12

(spiderenv) C:\Users\82055\Desktop>



13

# 注釋：成功進(jìn)入，退出虛擬環(huán)境命令為 ： deactivate

 1

# 進(jìn)入到自己的項(xiàng)目存放目錄



 2

(spiderenv) H:\env>cd H:\spider_project



 3




 4

# 使用scrapy命令創(chuàng)建一個(gè)新工程



 5

(spiderenv) H:\spider_project>scrapy startproject spider_bole_blog



 6




 7

New Scrapy project 'spider_bole_blog', using template directory 'h:\\env\\spiderenv\\



 8

lib\\site-packages\\scrapy\\templates\\project', created in:



 9

    H:\spider_project\spider_bole_blog



10

# 提示創(chuàng)建網(wǎng)站爬蟲命令



11

You can start your first spider with:



12

    cd spider_bole_blog



13

    scrapy genspider example example.com

創(chuàng)建成功后文件目錄結(jié)構(gòu)：

1

spider_bole_blog/



2

    spider_bole_blog/



3

            spiders/



4

                __init__.py



5

            __init__.py



6

            items.py



7

            pipelines.py



8

            settings.py



9

    scrapy.cfg   

目錄功能基本介紹:

1


spider_bole_blog/: 該項(xiàng)目的python模塊。之后我們將在此加入代碼。




2


spider_bole_blog/spiders/: 放置spider代碼的目錄。




3


spider_bole_blog/items.py: 項(xiàng)目中的item文件。




4


spider_bole_blog/pipelines.py: 項(xiàng)目中的pipelines文件。




5


spider_bole_blog/settings.py: 項(xiàng)目的設(shè)置文件。




6


scrapy.cfg: 項(xiàng)目的配置文件。

創(chuàng)建一個(gè) jobbole (伯樂在線)的爬蟲項(xiàng)目文件：

1

# 進(jìn)入項(xiàng)目文件



2

(spiderenv) H:\spider_project>cd spider_bole_blog



3




4

# 執(zhí)行命令，創(chuàng)建一個(gè)基于Srapy的伯樂在線的爬蟲



5

(spiderenv) H:\spider_project\spider_bole_blog>scrapy genspider jobbole blog.jobbole.com



6




7

Created spider 'jobbole' using template 'basic' in module:



8

  spider_bole_blog.spiders.jobbole

執(zhí)行完成后會(huì)在項(xiàng)目的 spiders 目錄下多出一個(gè) jobbole.py 文件，文件內(nèi)容如下：

 1


# -*- coding: utf-8 -*-        




 2


# 編碼




 3


import

 scrapy



 4


# 導(dǎo)入scrapy包




 5




 6


#繼承scrapy.Spider的 JobboleSpider 爬蟲類




 7



class

 

JobboleSpider


(scrapy.Spider)

:




 8




 9

    

# 用于區(qū)別Spider。 該名字必須是唯一的，您不可以為不同的Spider設(shè)定相同的名字。




10

    name = 

'jobbole'




11




12

    

# 允許下載(訪問)域




13

    allowed_domains = [

'blog.jobbole.com'

]



14




15

    

# 包含了Spider在啟動(dòng)時(shí)進(jìn)行爬取的url列表。




16

    

# 因此，第一個(gè)被獲取到的頁(yè)面將是其中之一。




17

    

# 后續(xù)的URL則從初始的URL獲取到的數(shù)據(jù)中提取。




18

    start_urls = [

'http://blog.jobbole.com/'

]



19




20

    

# 是spider的一個(gè)方法。




21

    

# 被調(diào)用時(shí)，每個(gè)初始URL完成下載后生成的 Response 對(duì)象將會(huì)作為唯一的參數(shù)傳遞給該函數(shù)。




22

    

# 該方法負(fù)責(zé)解析返回?cái)?shù)據(jù)(response data)，提取數(shù)據(jù)(生成item)以及生成需要進(jìn)一步處理的URL




23

    

# 的 Request 對(duì)象。




24

    


def

 

parse


(self, response)

:




25

        

pass

四、后言

????今天講的東西涵蓋面還比較廣，特別是虛擬環(huán)境管理這塊， virtualenvwrapper 還有很多命令，很實(shí)用，后面會(huì)慢慢給大家提及，大家也可以自己百度、谷歌查一下，另外， Scrapy 模塊今天也算正式開始，go on!