###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:
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:
E:\demo>scrapy startproject fourth
该命令将会创建包含下列内容的fourth目录:
fourth/
scrapy.cfg
fourth/
init.py items.py pipelines.py settings.py spiders/ init.py ...
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:
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: # -- coding: utf-8 -- # Scrapy spider 模块 # 采集安居客房源信息 # 采集结果保存在anjuke-result.xml中 import os import time import scrapy from gooseeker import GsExtractor
class AnjukeSpider(scrapy.Spider):
name = "anjuke" allowed_domains = ["'anjuke.com'"] start_urls = ( 'http://bj.zu.anjuke.com/fangyuan/p1', )
def parse(self, response): print("----------------------------------------------------------------------------") # 引用提取器 bbsExtra = GsExtractor() # 设置xslt抓取规则 bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e", "安居客_房源") # 调用extract方法提取所需内容 result = bbsExtra.extractHTML(response.body) # 打印采集结果 print(str(result).encode('gbk','ignore').decode('gbk')) # 保存采集结果 file_path = os.getcwd() + "/anjuke-result.xml" open(file_path,"wb").write(result) # 打印结果存放路径 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:
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
来源:oschina
链接:https://my.oschina.net/u/2758756/blog/777155