在Python3.5下安装和测试Scrapy爬网站

删除回忆录丶 提交于 2019-11-30 12:47:17

输入图片说明 ###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

输入图片说明

####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)

输入图片说明

###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

输入图片说明

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

输入图片说明

###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

输入图片说明

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'

输入图片说明

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

输入图片说明

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

输入图片说明

###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

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!