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
san@yongc-dong:~/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
san@yongc-dong:~/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。