【Python|边学边敲边记】第四次:初识爬虫框架Scrapy-创新互联
一、前言
本系列上一篇:【Python | 边学边敲边记】第三次:URL去重策略
今天给大家分享的是,Python里的爬虫框架Scrapy学习,包含python虚拟环境的搭建、虚拟环境的使用、Scrapy安装方法详解、Scrapy基本使用、Scrapy项目目录及内容基本介绍,let's go!
二、Python爬虫框架Scrapy简介
推荐查看Scrapy中文帮助文档:点击 阅读原文 静下心来学习!
1
# 维基百科看Scrapy
2
'''
3
Scrapy(SKRAY -pee)是一个免费和开源 网络爬行 框架 Python编写的。最初设计用于Web抓取,它还可
4
以用于使用API或作为通用Web爬网程序提取数据。它目前由网络抓取开发和服务公司Scrapinghub Ltd.维护
5
。
6
Scrapy项目体系结构是围绕“Spider”构建的,它们是自包含的爬虫,可以获得一组指令。遵循其他框架的精
7
神,不重复自己的框架,例如Django,它允许开发人员重用他们的代码,从而更容易构建和扩展大型爬行项
8
目。Scrapy还提供了一个Web爬行shell,开发人员可以使用它来测试他们对站点行为的假设。
9
(英译汉有点尴尬!真的想学,还是好好看上面的帮助文档吧)
10
'''
三、看代码,边学边敲边记虚拟环境、Scrapy框架
下面 操作之前你需要准备好:
(1) 你的
python
版本是3.x,最好系统里只有一个python环境,后面所有学习笔记都基于
py3
的。
(2)
python
环境里先安装
virtualenv
模块,基本方法
pip install virtualenv
。
(3)选择好虚拟环境的安装目录(我选的是H盘目录下的
env
文件夹,建议你选的目录路径里最好不要有中文)。
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: 如果系统中有两个python环境(py2和py3),新建基于py3的虚拟环境方法
6
virtualenv -python=你的Python3安装目录(精确到python.exe) spiderenv(虚拟环境名称)
安装完成后再自己选择的目录下会多出一个文件夹(虚拟环境),我这里为
H:\env\spiderenv
,后面所有爬虫学习过程中需要的模块、接口都将
pip
(安装)在里面。
进入到目录
H:\env\spiderenv\Scripts
(我的虚拟环境目录),按住
shift
+鼠标右键,打开
powershell
或者
cmd
(如果是
powershell
就先输入
cmd
),再输入
activate
,进入虚拟环境,你会发现在路径前面多了一个括号里面是你的虚拟环境名称,表示你进入了虚拟环境。具体看下面:
1
# 注:打开powershell 的可以参照下面操作
2
PS H:\env\spiderenv\Scripts> cmd
3
Microsoft Windows [版本 10.0.17134.112]
4
(c) 2018 Microsoft Corporation。保留所有权利。
5
6
H:\env\spiderenv\Scripts>activate
7
(spiderenv) H:\spiderenv\Scripts>
安装
scrapy
模块(下面操作都是在虚拟环境下):
方法一:直接pip安装(最简单,安装慢,可能出错)
1
pip install scrapy
方法二:轮子(wheel)安装(比较简单,安装速度还可以,基本不出错)
点击这里下载scrapy的
.whl
文件,然后移动到你的虚拟环境目录下(比如我的就移动到
H:\env\spiderenv\Scripts
),
1
pip install Scrapy-1.5.1-py2.py3-none-any.whl
方法三:豆瓣源安装(比较简单,安装速度快,方便,推荐)
1
pip install -i https://pypi.douban.com/simple/ scrapy
安装
virtualenvwrapper
模块,用于管理我们所建的虚拟环境
1
# windows下安装方法
2
pip install virtualenvwrapper-win
3
# 其他环境下安装
4
pip install virtualenvwrapper
安装完成后,打开
控制面板
- >
系统
->
高级系统设置
- >
环境变量
->
系统变量
->
新建
,在
新建系统环境变量对话框
中输入如下
1
变量名:WORKON_HOME
2
变量值:你的虚拟环境安装目录
3
比如:我的虚拟环境spiderenv安装在H:\env目录下,我的变量值就为:H:\env\
4
注:变量值最后一定要以 \ 结尾,不然可能不会产生效果。
在上面设置完成后,我们在
cmd
执行下面命令,即可简单快速进入虚拟环境:
1
PS C:\Users\82055\Desktop> cmd
2
Microsoft Windows [版本 10.0.17134.112]
3
(c) 2018 Microsoft Corporation。保留所有权利。
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
# 注释:成功进入,退出虚拟环境命令为 : deactivate
1
# 进入到自己的项目存放目录
2
(spiderenv) H:\env>cd H:\spider_project
3
4
# 使用scrapy命令创建一个新工程
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
# 提示创建网站爬虫命令
11
You can start your first spider with:
12
cd spider_bole_blog
13
scrapy genspider example example.com
创建成功后文件目录结构:
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
目录功能基本介绍:
1
spider_bole_blog/: 该项目的python模块。之后我们将在此加入代码。
2
spider_bole_blog/spiders/: 放置spider代码的目录。
3
spider_bole_blog/items.py: 项目中的item文件。
4
spider_bole_blog/pipelines.py: 项目中的pipelines文件。
5
spider_bole_blog/settings.py: 项目的设置文件。
6
scrapy.cfg: 项目的配置文件。
创建一个
jobbole
(伯乐在线)的爬虫项目文件:
1
# 进入项目文件
2
(spiderenv) H:\spider_project>cd spider_bole_blog
3
4
# 执行命令,创建一个基于Srapy的伯乐在线的爬虫
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
执行完成后会在项目的
spiders
目录下多出一个
jobbole.py
文件,文件内容如下:
1
# -*- coding: utf-8 -*-
2
# 编码
3
import
scrapy
4
# 导入scrapy包
5
6
#继承scrapy.Spider的 JobboleSpider 爬虫类
7
class
JobboleSpider
(scrapy.Spider)
:
8
9
# 用于区别Spider。 该名字必须是唯一的,您不可以为不同的Spider设定相同的名字。
10
name =
'jobbole'
11
12
# 允许下载(访问)域
13
allowed_domains = [
'blog.jobbole.com'
]
14
15
# 包含了Spider在启动时进行爬取的url列表。
16
# 因此,第一个被获取到的页面将是其中之一。
17
# 后续的URL则从初始的URL获取到的数据中提取。
18
start_urls = [
'http://blog.jobbole.com/'
]
19
20
# 是spider的一个方法。
21
# 被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。
22
# 该方法负责解析返回数据(response data),提取数据(生成item)以及生成需要进一步处理的URL
23
# 的 Request 对象。
24
def
parse
(self, response)
:
25
pass
四、后言
今天讲的东西涵盖面还比较广,特别是虚拟环境管理这块,
virtualenvwrapper
还有很多命令,很实用,后面会慢慢给大家提及,大家也可以自己百度、谷歌查一下,另外,
Scrapy
模块今天也算正式开始,go on!
分享文章:【Python|边学边敲边记】第四次:初识爬虫框架Scrapy-创新互联
分享网址:http://pwwzsj.com/article/dcigei.html