快捷导航

在Python3.5下安装和测试Scrapy爬网站

2016-10-20 15:26| 发布者: xandy| 查看: 3970| 评论: 0|原作者: 集搜客网络爬虫|来自: 集搜客社区

摘要: Scrapy框架结构清晰,基于twisted的异步架构可以充分利用计算机资源,是爬虫做大的必备基础。本文将讲解如何快速安装此框架并使用起来。

1. 引言

Scrapy框架结构清晰,基于twisted的异步架构可以充分利用计算机资源,是爬虫做大的必备基础。本文将讲解如何快速安装此框架并使用起来。

2. 安装Twisted

2.1 同安装Lxml库

(参考《为编写网络爬虫程序安装Python3.5》3.1节)一样,通过下载对应版本的.whl文件先安装twisted库,下载地址: http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

2.2 安装twisted

打开命令提示符窗口,输入命令:

  1. pip install E:\demo\Twisted-16.4.1-cp35-cp35m-win_amd64.whl(下载好的twisted模块的whl文件路径)

3. 安装scrapy

twisted库安装成功后,安装scrapy就简单了,在命令提示符窗口直接输入命令: pip install scrapy 回车

安装关联模块pypiwin32,在命令提示符窗口直接输入命令: pip install pypiwin32 回车

4. Scrapy测试,敲一个基于Scrapy框架的爬虫程序

新建一个Scrapy爬虫项目fourth(因为这是继Python3.5安装的第四篇教程,有兴趣的话请从头看起):在任意目录按住shift+右键->选择在此处打开命令提示符窗口(这里默认为E:\demo),然后输入命令:

  1. E:\demo>scrapy startproject fourth

该命令将会创建包含下列内容的fourth目录:

  1. fourth/
  2.     scrapy.cfg
  3.     fourth/
  4.         __init__.py
  5.         items.py
  6.         pipelines.py
  7.         settings.py
  8.         spiders/
  9.             __init__.py
  10.             ...



修改项目配置文件settings.py,有些网站会在根目录下放置一个名字为robots.txt的文件,里面声明了此网站希望爬虫遵守的规范,Scrapy默认遵守这个文件制定的规范,即ROBOTSTXT_OBEY默认值为True。在这里需要修改ROBOTSTXT_OBEY的值,找到项目目录(这里为:E:\demo\fourth\fourth)下文件settings.py,更改ROBOTSTXT_OBEY的值为False

引入Gooseeker最新规则提取器模块gooseeker.py(下载地址: https://github.com/FullerHua/gooseeker/tree/master/core),拷贝到项目目录下,这里为E:\demo\fourth\gooseeker.py

创建爬虫模块,进入项目目录E:\demo\fourth下,在此处打开命提示符窗口输入命令:

  1. E:\demo\fourth>scrapy genspider anjuke 'anjuke.com'

该命令将会在项目目录E:\demo\fourth\fourth\spiders下创建模块文件anjuke.py,以记事本打开然后添加代码,主要代码:

  1. # -*- coding: utf-8 -*-
  2. # Scrapy spider 模块
  3. # 采集安居客房源信息
  4. # 采集结果保存在anjuke-result.xml中
  5. import os
  6. import time
  7. import scrapy
  8. from gooseeker import GsExtractor

  9. class AnjukeSpider(scrapy.Spider):
  10.     name = "anjuke"
  11.     allowed_domains = ["'anjuke.com'"]
  12.     start_urls = (
  13.         'http://bj.zu.anjuke.com/fangyuan/p1',
  14.     )

  15.     def parse(self, response):
  16.         print("----------------------------------------------------------------------------")
  17.         # 引用提取器
  18.         bbsExtra = GsExtractor()
  19.         # 设置xslt抓取规则
  20.         bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e", "安居客_房源")
  21.         # 调用extract方法提取所需内容
  22.         result = bbsExtra.extractHTML(response.body)
  23.         
  24.         # 打印采集结果
  25.         print(str(result).encode('gbk','ignore').decode('gbk'))
  26.         # 保存采集结果
  27.         file_path = os.getcwd() + "/anjuke-result.xml"
  28.         open(file_path,"wb").write(result)
  29.         # 打印结果存放路径
  30.         print("采集结果文件:" + file_path)

启动爬虫,进入项目目录E:\demo\fourth下,在此处打开命提示符窗口输入命令:

  1. E:\demo\fourth>scrapy crawl anjuke

查看保存结果文件,进入Scrapy爬虫项目目录,这里为E:\demo\fourth,找到名称为anjuke-result.xml的文件夹然后打开

5. 总结

安装pypiwin32时碰到了一次超时断开,再次输入命令重新安装才成功,若重复安装都失败可以尝试连接vpn再安装。下一篇《Python爬虫实战:单页采集》将讲解如何爬取微博数据(单页),同时整合Python爬虫程序以Gooseeker规则提取器为接口制作一个通用的采集器,欢迎有兴趣的小伙伴一起交流进步。

6. 集搜客GooSeeker开源代码下载源

GooSeeker开源Python网络爬虫GitHub源

若有疑问可以集搜客网络爬虫
2

鲜花

握手

雷人

路过

鸡蛋

刚表态过的朋友 (2 人)

相关阅读

最新评论

GMT+8, 2021-9-21 01:16