在linux系统上安装python的scrapy框架的教程

这是一款提取网站数据的开源工具。scrapy框架用python开发而成,它使抓取工作又快又简单,且可扩展。我们已经在virtual box中创建一台虚拟机(vm)并且在上面安装了ubuntu 14.04 lts。
安装 scrapy
scrapy依赖于python、开发库和pip。python最新的版本已经在ubuntu上预装了。因此我们在安装scrapy之前只需安装pip和python开发库就可以了。

pip是作为python包索引器easy_install的替代品,用于安装和管理python包。pip包的安装可见图 1。

sudo apt-get install python-pip

201561193734623.png (530×109)

图:1 pip安装

我们必须要用下面的命令安装python开发库。如果包没有安装那么就会在安装scrapy框架的时候报关于python.h头文件的错误。

sudo apt-get install python-dev

201561193801448.png (513×74)

图:2 python 开发库

scrapy框架既可从deb包安装也可以从源码安装。在图3中我们用pip(python 包管理器)安装了deb包了。

sudo pip install scrapy

201561193823875.png (507×126)

图:3 scrapy 安装

图4中scrapy的成功安装需要一些时间。

201561193846944.png (572×108)

图:4 成功安装scrapy框架
使用scrapy框架提取数据
基础教程

我们将用scrapy从fatwallet.com上提取商店名称(卖卡的店)。首先,我们使用下面的命令新建一个scrapy项目“store name”, 见图5。

$sudo scrapy startproject store_name

201561193909068.png (553×341)

图:5 scrapy框架新建项目

上面的命令在当前路径创建了一个“store_name”的目录。项目主目录下包含的文件/文件夹见图6。

$sudo ls –lr store_name

201561193933392.png (488×336)

图:6 store_name项目的内容

每个文件/文件夹的概要如下:

scrapy.cfg 是项目配置文件
store_name/ 主目录下的另一个文件夹。 这个目录包含了项目的python代码
store_name/items.py 包含了将由蜘蛛爬取的项目
store_name/pipelines.py 是管道文件
store_name/settings.py 是项目的配置文件
store_name/spiders/, 包含了用于爬取的蜘蛛

由于我们要从fatwallet.com上如提取店名,因此我们如下修改文件(lctt 译注:这里没说明是哪个文件,译者认为应该是 items.py)。

import scrapy
class storenameitem(scrapy.item):
name = scrapy.field() # 取出卡片商店的名称

之后我们要在项目的store_name/spiders/文件夹下写一个新的蜘蛛。蜘蛛是一个python类,它包含了下面几个必须的属性:

蜘蛛名 (name )
爬取起点url (start_urls)
包含了从响应中提取需要内容相应的正则表达式的解析方法。解析方法对爬虫而言很重要。

我们在storename/spiders/目录下创建了“storename.py”爬虫,并添加如下的代码来从fatwallet.com上提取店名。爬虫的输出写到文件(storename.txt)中,见图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[@]|\
//tr[@]|\
//tr[@]|\
//tr[@]’).extract()
for i in tags:
i = i.encode(‘utf-8’, ‘ignore’).strip()
store_name = ”
if re.search(r”storeliststorename\”>.*?