這是一款提取網(wǎng)站數(shù)據(jù)的開源工具。Scrapy框架用Python開發(fā)而成，它使抓取工作又快又簡(jiǎn)單，且可擴(kuò)展。我們已經(jīng)在virtual box中創(chuàng)建一臺(tái)虛擬機(jī)（VM）并且在上面安裝了Ubuntu 14.04 LTS。
安裝 Scrapy
Scrapy依賴于Python、開發(fā)庫和pip。Python最新的版本已經(jīng)在Ubuntu上預(yù)裝了。因此我們?cè)诎惭bScrapy之前只需安裝pip和python開發(fā)庫就可以了。

pip是作為python包索引器easy_install的替代品，用于安裝和管理Python包。pip包的安裝可見圖 1。

  sudo apt-get install python-pip

圖:1 pip安裝

我們必須要用下面的命令安裝python開發(fā)庫。如果包沒有安裝那么就會(huì)在安裝scrapy框架的時(shí)候報(bào)關(guān)于python.h頭文件的錯(cuò)誤。

  sudo apt-get install python-dev

    圖:2 Python 開發(fā)庫

scrapy框架既可從deb包安裝也可以從源碼安裝。在圖3中我們用pip（Python 包管理器）安裝了deb包了。

  sudo pip install scrapy 

    圖:3 Scrapy 安裝

圖4中scrapy的成功安裝需要一些時(shí)間。

圖:4 成功安裝Scrapy框架
使用scrapy框架提取數(shù)據(jù)
基礎(chǔ)教程

我們將用scrapy從fatwallet.com上提取商店名稱（賣卡的店）。首先，我們使用下面的命令新建一個(gè)scrapy項(xiàng)目“store name”， 見圖5。   

$sudo scrapy startproject store_name

    圖:5 Scrapy框架新建項(xiàng)目

上面的命令在當(dāng)前路徑創(chuàng)建了一個(gè)“store_name”的目錄。項(xiàng)目主目錄下包含的文件/文件夾見圖6。

 $sudo ls –lR store_name

    圖:6 store_name項(xiàng)目的內(nèi)容

每個(gè)文件/文件夾的概要如下：

•     scrapy.cfg 是項(xiàng)目配置文件
•     store_name/ 主目錄下的另一個(gè)文件夾。 這個(gè)目錄包含了項(xiàng)目的python代碼
•     store_name/items.py 包含了將由蜘蛛爬取的項(xiàng)目
•     store_name/pipelines.py 是管道文件
•     store_name/settings.py 是項(xiàng)目的配置文件
•     store_name/spiders/， 包含了用于爬取的蜘蛛

由于我們要從fatwallet.com上如提取店名，因此我們?nèi)缦滦薷奈募↙CTT 譯注：這里沒說明是哪個(gè)文件，譯者認(rèn)為應(yīng)該是 items.py）。

  import scrapy
  class StoreNameItem(scrapy.Item):
    name = scrapy.Field()  # 取出卡片商店的名稱

之后我們要在項(xiàng)目的store_name/spiders/文件夾下寫一個(gè)新的蜘蛛。蜘蛛是一個(gè)python類，它包含了下面幾個(gè)必須的屬性：

•     蜘蛛名 (name )
•     爬取起點(diǎn)url (start_urls)
•     包含了從響應(yīng)中提取需要內(nèi)容相應(yīng)的正則表達(dá)式的解析方法。解析方法對(duì)爬蟲而言很重要。

我們?cè)趕torename/spiders/目錄下創(chuàng)建了“storename.py”爬蟲，并添加如下的代碼來從fatwallet.com上提取店名。爬蟲的輸出寫到文件（StoreName.txt）中，見圖7。

  from scrapy.selector import Selector
  from scrapy.spider import BaseSpider
  from scrapy.http import Request
  from scrapy.http import FormRequest
  import re
  class StoreNameItem(BaseSpider):
  name = "storename"
  allowed_domains = ["fatwallet.com"]
  start_urls = ["http://fatwallet.com/cash-back-shopping/"]
  def parse(self,response):
  output = open('StoreName.txt','w')
  resp = Selector(response)
  tags = resp.xpath('//tr[@class="storeListRow"]|\
       //tr[@class="storeListRow even"]|\
       //tr[@class="storeListRow even last"]|\
       //tr[@class="storeListRow last"]').extract()
  for i in tags:
  i = i.encode('utf-8', 'ignore').strip()
  store_name = ''
  if re.search(r"class=\"storeListStoreName\">.*?<",i,re.I|re.S):
  store_name = re.search(r"class=\"storeListStoreName\">.*?<",i,re.I|re.S).group()
  store_name = re.search(r">.*?<",store_name,re.I|re.S).group()
  store_name = re.sub(r'>',"",re.sub(r'<',"",store_name,re.I))
  store_name = re.sub(r'&amp;',"&",re.sub(r'&amp;',"&",store_name,re.I))
  #print store_name
  output.write(store_name+""+"\n")

最新評(píng)論