Ubuntu16.04下Scrapy环境的搭建
一、Scrapy简介与部署环境
Scrapy是一个为了爬取网站数据,提取结构性数据而编写的第三方爬虫框架。 可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。
最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试
本次环境搭建基于Ubuntu 16.04 TLS x64系统,python 2.7.12
二、安装scrpay框架
主要基于pip 进行安装 pip没有安装的先安装pip,可参考这里http://dyc2005.blog.51cto.com/270872/1940870 就不再详述了。
安装scrapy
1
2
3
|
#sudo apt-get install libssl-dev #依赖组件 #pip install pyopenssl --upgrade pip install scrapy -i http: //pypi .douban.com #用国内源安装
|
1
|
安装完成查看版本如下: |
说明scrapy 1.4.0已经安装完成。
三、一个基础的scrapy项目应用
基于scrapy爬取糗事百科的糗图源文件,并分析出图片地址。
1、切换目录到家目录下创建TestSpider
#scrapy startproject TestSpider
如图:
2、目录结构与说明:
目录结构如图:
结构说明:
TestSpider 项目的外壳
TestSpider 项目目录
Spiders 爬虫编写目录
__init__.py 包文件
__init__.py 包文件
item.py 数据模型文件
middlewares.py 中间件文件 proxy 代理ip
pipelines.py 数据输出管道文件
settings.py 项目的配置文件
scrapy.cfg scapy 的配置文件
3、爬取糗事百科的糗图
确定爬取的内容:
https://www.qiushibaike.com/pic/
4、 修改
settings.py文件去掉注释加上如下内容,如图:
User-Agent:就是你访问糗事百科时的请求头内容。复制到这里。
5、确定数据模型
配置item.py文件如图:
其中img定义爬到到的图片字段
lable是图片的标题字段
6、爬虫代码
到spiders目录创建qiushiSpider.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
#coding:utf-8 import scrapy
class QiuShiScrapy(scrapy.spiders.Spider):
name = "qiushi_img" #爬虫的标识
allowed_domains = [ "https://www.qiushibaike.com" ]
start_urls = [ "https://www.qiushibaike.com/pic/" ] #开始爬取的链接
"""
##1,简单保存爬取的源文件
def parse(self,response):
#当服务器进行响应的时候,首先返回到这里scrapy就会调用这个方法,并把响应的内容传递给第一个参数即response
with open("1.txt","w") as f:
f.write(response.body) #爬取的结果写到1.txt
""" ###2,获取并提取图片url
def parse( self , response):
img_list = response.xpath( "//img" )
with open ( "1.txt" , "w" ) as f:
for img in img_list:
# f.write(img.extract().encode("utf-8") + "\n")
src = img.xpath( "@src" )
content = src.extract()
if content:
f.write(content[ 0 ].encode( "utf-8" ) + "\n" )
|
切换到命令行
[email protected]:~/TestSpider$ scrapy list
qiushi_img
此时会看到上面写的爬虫标识名 qiushi_img
命令行下执行爬虫
[email protected]:~/TestSpider$ scrapy crawl qiushi_img
结果类似如下图:
此时生成1.txt内容类似:
1
2
3
4
5
6
7
8
9
|
/ / pic.qiushibaike.com / system / avtnew / 1240 / 12405295 / medium / 20170630013041.JPEG
/ / pic.qiushibaike.com / system / pictures / 11968 / 119682883 / medium / app119682883.jpg
/ / pic.qiushibaike.com / system / avtnew / 3114 / 31145101 / medium / 20170916180203.JPEG
/ / pic.qiushibaike.com / system / pictures / 11968 / 119682882 / medium / app119682882.jpg
/ / pic.qiushibaike.com / system / avtnew / 3114 / 31145101 / medium / 20170916180203.JPEG
/ / pic.qiushibaike.com / system / pictures / 11968 / 119682878 / medium / app119682878.jpg
/ / pic.qiushibaike.com / system / avtnew / 3440 / 34405509 / medium / nopic.jpg
/ / pic.qiushibaike.com / system / pictures / 11968 / 119682886 / medium / app119682886.jpg
.....省略部分
|
本文只是抛砖引玉的简单介绍一个基本的爬虫过程。
都是基于命令行下操作,不是很方便。能否添加到pycharm中调式?
四、添加加scrapy调式到pycharm中
在TestSpider项目外层目录创建run.py内容如下:
1
2
3
|
#coding:utf-8 from scrapy import cmdline
cmdline.execute( "scrapy crawl qiushi_img" .split())
|
点菜单栏中的"run" --> "Edit Configurations" 如图:
点"+" -->"python"
如图:
Name:"Unamed"这是默认可不修改,Script:选择run.py所在目录和 Working directory:的项目目录
此是就像其他项目一样可以点运行即可在pycharm中运行spider
如图:
一个scrapy框架的搭建和基本的爬虫与pycharm的环境部署完成。没有涉及到内容的存储。后续再说明。