【Python | 边学边敲边记】第四次：初识爬虫框架Scrapy

一、前言

本系列上一篇：【Python | 边学边敲边记】第三次：URL去重策略

今天给大家分享的是，Python里的爬虫框架Scrapy学习，包含python虚拟环境的搭建、虚拟环境的使用、Scrapy安装方法详解、Scrapy基本使用、Scrapy项目目录及内容基本介绍，let's go！

二、Python爬虫框架Scrapy简介

推荐查看Scrapy中文帮助文档：点击 阅读原文 静下心来学习！

 1


# 维基百科看Scrapy




 2


'''



 3

Scrapy（SKRAY -pee）是一个免费和开源 网络爬行 框架 Python编写的。最初设计用于Web抓取，它还可



 4

以用于使用API或作为通用Web爬网程序提取数据。它目前由网络抓取开发和服务公司Scrapinghub Ltd.维护



 5

。



 6

Scrapy项目体系结构是围绕“Spider”构建的，它们是自包含的爬虫，可以获得一组指令。遵循其他框架的精



 7

神，不重复自己的框架，例如Django，它允许开发人员重用他们的代码，从而更容易构建和扩展大型爬行项



 8

目。Scrapy还提供了一个Web爬行shell，开发人员可以使用它来测试他们对站点行为的假设。



 9

(英译汉有点尴尬！真的想学，还是好好看上面的帮助文档吧)



10

'''

三、看代码，边学边敲边记虚拟环境、Scrapy框架

下面 操作之前你需要准备好：
(1) 你的 python 版本是3.x，最好系统里只有一个python环境,后面所有学习笔记都基于 py3 的。
(2) python 环境里先安装 virtualenv 模块，基本方法 pip install virtualenv 。
(3)选择好虚拟环境的安装目录(我选的是H盘目录下的 env 文件夹，建议你选的目录路径里最好不要有中文)。

1

PS H:\env\> virtualenv spiderenv



2

Using base prefix 'c:\\users\\82055\\appdata\\local\\programs\\python\\python36'



3

New python executable in H:\env\spiderenv\Scripts\python.exe



4

Installing setuptools, pip, wheel...done.



5

注： 如果系统中有两个python环境（py2和py3）,新建基于py3的虚拟环境方法



6

virtualenv -python=你的Python3安装目录(精确到python.exe) spiderenv(虚拟环境名称)

安装完成后再自己选择的目录下会多出一个文件夹(虚拟环境)，我这里为 H：\env\spiderenv ,后面所有爬虫学习过程中需要的模块、接口都将 pip (安装)在里面。

进入到目录 H:\env\spiderenv\Scripts (我的虚拟环境目录)，按住 shift +鼠标右键，打开 powershell 或者 cmd (如果是 powershell 就先输入 cmd )，再输入 activate ，进入虚拟环境，你会发现在路径前面多了一个括号里面是你的虚拟环境名称，表示你进入了虚拟环境。具体看下面：

1

# 注：打开powershell 的可以参照下面操作



2

PS H:\env\spiderenv\Scripts> cmd



3

Microsoft Windows [版本 10.0.17134.112]



4

(c) 2018 Microsoft Corporation。保留所有权利。



5




6

H:\env\spiderenv\Scripts>activate



7

(spiderenv) H:\spiderenv\Scripts>

安装 scrapy 模块(下面操作都是在虚拟环境下)：
方法一：直接pip安装(最简单，安装慢，可能出错)

1

pip install scrapy

方法二：轮子(wheel)安装(比较简单，安装速度还可以，基本不出错)
点击这里下载scrapy的 .whl 文件，然后移动到你的虚拟环境目录下(比如我的就移动到 H:\env\spiderenv\Scripts ),

1

pip install Scrapy-1.5.1-py2.py3-none-any.whl

方法三：豆瓣源安装(比较简单，安装速度快，方便，推荐)

1

pip install -i https://pypi.douban.com/simple/  scrapy

安装 virtualenvwrapper 模块，用于管理我们所建的虚拟环境

1

# windows下安装方法



2

 pip install virtualenvwrapper-win



3

# 其他环境下安装



4

 pip install virtualenvwrapper

安装完成后，打开 控制面板 - > 系统 -> 高级系统设置 - > 环境变量 ->   系统变量 -> 新建 ，在 新建系统环境变量对话框 中输入如下

1

变量名：WORKON_HOME



2

变量值：你的虚拟环境安装目录



3


比如：我的虚拟环境spiderenv安装在H:\env目录下，我的变量值就为：H：\env\




4

注：变量值最后一定要以 \ 结尾，不然可能不会产生效果。

 1

PS C:\Users\82055\Desktop> cmd



 2

Microsoft Windows [版本 10.0.17134.112]



 3

(c) 2018 Microsoft Corporation。保留所有权利。



 4




 5

C:\Users\82055\Desktop>workon



 6




 7

Pass a name to activate one of the following virtualenvs:



 8

==============================================================================



 9

spiderenv



10




11

C:\Users\82055\Desktop>workon spiderenv



12

(spiderenv) C:\Users\82055\Desktop>



13

# 注释：成功进入，退出虚拟环境命令为 ： deactivate

 1

# 进入到自己的项目存放目录



 2

(spiderenv) H:\env>cd H:\spider_project



 3




 4

# 使用scrapy命令创建一个新工程



 5

(spiderenv) H:\spider_project>scrapy startproject spider_bole_blog



 6




 7

New Scrapy project 'spider_bole_blog', using template directory 'h:\\env\\spiderenv\\



 8

lib\\site-packages\\scrapy\\templates\\project', created in:



 9

    H:\spider_project\spider_bole_blog



10

# 提示创建网站爬虫命令



11

You can start your first spider with:



12

    cd spider_bole_blog



13

    scrapy genspider example example.com

创建成功后文件目录结构：

1

spider_bole_blog/



2

    spider_bole_blog/



3

            spiders/



4

                __init__.py



5

            __init__.py



6

            items.py



7

            pipelines.py



8

            settings.py



9

    scrapy.cfg   

目录功能基本介绍:

1


spider_bole_blog/: 该项目的python模块。之后我们将在此加入代码。




2


spider_bole_blog/spiders/: 放置spider代码的目录。




3


spider_bole_blog/items.py: 项目中的item文件。




4


spider_bole_blog/pipelines.py: 项目中的pipelines文件。




5


spider_bole_blog/settings.py: 项目的设置文件。




6


scrapy.cfg: 项目的配置文件。

创建一个 jobbole (伯乐在线)的爬虫项目文件：

1

# 进入项目文件



2

(spiderenv) H:\spider_project>cd spider_bole_blog



3




4

# 执行命令，创建一个基于Srapy的伯乐在线的爬虫



5

(spiderenv) H:\spider_project\spider_bole_blog>scrapy genspider jobbole blog.jobbole.com



6




7

Created spider 'jobbole' using template 'basic' in module:



8

  spider_bole_blog.spiders.jobbole

执行完成后会在项目的 spiders 目录下多出一个 jobbole.py 文件，文件内容如下：

 1


# -*- coding: utf-8 -*-        




 2


# 编码




 3


import

 scrapy



 4


# 导入scrapy包




 5




 6


#继承scrapy.Spider的 JobboleSpider 爬虫类




 7



class

 

JobboleSpider


(scrapy.Spider)

:




 8




 9

    

# 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。




10

    name = 

'jobbole'




11




12

    

# 允许下载(访问)域




13

    allowed_domains = [

'blog.jobbole.com'

]



14




15

    

# 包含了Spider在启动时进行爬取的url列表。




16

    

# 因此，第一个被获取到的页面将是其中之一。




17

    

# 后续的URL则从初始的URL获取到的数据中提取。




18

    start_urls = [

'http://blog.jobbole.com/'

]



19




20

    

# 是spider的一个方法。




21

    

# 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。




22

    

# 该方法负责解析返回数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL




23

    

# 的 Request 对象。




24

    


def

 

parse


(self, response)

:




25

        

pass

四、后言

    今天讲的东西涵盖面还比较广，特别是虚拟环境管理这块， virtualenvwrapper 还有很多命令，很实用，后面会慢慢给大家提及，大家也可以自己百度、谷歌查一下，另外， Scrapy 模块今天也算正式开始，go on!