欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python之Scrapy爬蟲(chóng)框架安裝及簡(jiǎn)單使用詳解

 更新時(shí)間：2017年12月22日 09:50:25   作者：leerh  
這篇文章主要介紹了Python之Scrapy爬蟲(chóng)框架安裝及簡(jiǎn)單使用詳解，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧

題記：早已聽(tīng)聞python爬蟲(chóng)框架的大名。近些天學(xué)習(xí)了下其中的Scrapy爬蟲(chóng)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(gè)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(xiě)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(chǔ)歷史數(shù)據(jù)等一系列的程序中。

其最初是為了頁(yè)面抓取(更確切來(lái)說(shuō),網(wǎng)絡(luò)抓取)所設(shè)計(jì)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(chóng)。

本文檔將通過(guò)介紹Scrapy背后的概念使您對(duì)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(kāi)始您的項(xiàng)目后，您可以參考入門教程。

二、Scrapy安裝介紹

Scrapy框架運(yùn)行平臺(tái)及相關(guān)輔助工具

  1. Python2.7（Python最新版3.5，這里選擇了2.7版本）
  2. Python Package:pipandsetuptools. 現(xiàn)在pip依賴setuptools，如果未安裝，則會(huì)自動(dòng)安裝setuptools。
  3. lxml. 大多數(shù)Linux發(fā)行版自帶了lxml。如果缺失，請(qǐng)查看http://lxml.de/installation.html
  4. OpenSSL. 除了Windows(請(qǐng)查看平臺(tái)安裝指南)之外的系統(tǒng)都已經(jīng)提供。

您可以使用pip來(lái)安裝Scrapy(推薦使用pip來(lái)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(lái)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(qǐng)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(kāi)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(yùn)行了。接下來(lái)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(xiàng)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)：

  1. scrapy.cfg: 項(xiàng)目的配置文件。
  2. tutorial/: 該項(xiàng)目的python模塊。之后您將在此加入代碼。
  3. tutorial/items.py: 項(xiàng)目中的item文件。
  4. tutorial/pipelines.py: 項(xiàng)目中的pipelines文件。
  5. tutorial/settings.py: 項(xiàng)目的設(shè)置文件。
  6. tutorial/spiders/: 放置spider代碼的目錄。

3、編寫(xiě)簡(jiǎn)單的爬蟲(chóng)

1、在item.py中配置需采集頁(yè)面的字段實(shí)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(shū)寫(xiě)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(chóng)名稱
  name = "tutorial"
  # 設(shè)置下載延時(shí)
  download_delay = 1
  # 允許域名
  allowed_domains = ["news.cnblogs.com"]
  # 開(kāi)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(chǔ)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(shí)現(xiàn)數(shù)據(jù)寫(xiě)入文件
ITEM_PIPELINES = {
  'tutorial.pipelines.TutorialPipeline': 300
}

# 設(shè)置爬蟲(chóng)爬取的最大深度
DEPTH_LIMIT = 100

5、新建main文件執(zhí)行爬蟲(chóng)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?jī)?nèi)容，希望對(duì)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

最新評(píng)論