这是一款提取网站数据的开源工具。scrapy框架用python开发而成,它使抓取工作又快又简单,且可扩展。我们已经在virtual box中创建一台虚拟机(vm)并且在上面安装了ubuntu 14.04 lts。
<a target="_blank"></a>
![](https://img.laitimes.com/img/_0nNw4CM6IyYiwiM6ICdiwiInBnauE2Z65WcxgjZ6Z2dxFmNjB3MxIDN3EzLcFjMvw1MwUTMwIzLc1WdixWYvwFduVWboNWY0RXYvwVY0FGZvwVZt5CevJWcu42Y4VnbpxWLuR2Lc9CX6MHc0RHaiojIsJye.jpg)
scrapy依赖于python、开发库和pip。python最新的版本已经在ubuntu上预装了。因此我们在安装scrapy之前只需安装pip和python开发库就可以了。
pip是作为python包索引器easy_install的替代品,用于安装和管理python包。pip包的安装可见图 1。
<code>sudo apt-get install python-pip</code>
图:1 pip安装
我们必须要用下面的命令安装python开发库。如果包没有安装那么就会在安装scrapy框架的时候报关于python.h头文件的错误。
<code>sudo apt-get install python-dev</code>
图:2 python 开发库
scrapy框架既可从deb包安装也可以从源码安装。在图3中我们用pip(python 包管理器)安装了deb包了。
<code>sudo pip install scrapy</code>
图:3 scrapy 安装
图4中scrapy的成功安装需要一些时间。
图:4 成功安装scrapy框架
我们将用scrapy从fatwallet.com上提取商店名称(卖卡的店)。首先,我们使用下面的命令新建一个scrapy项目“store name”, 见图5。
<code>$sudo scrapy startproject store_name</code>
图:5 scrapy框架新建项目
上面的命令在当前路径创建了一个“store_name”的目录。项目主目录下包含的文件/文件夹见图6。
<code>$sudo ls –lr store_name</code>
图:6 store_name项目的内容
每个文件/文件夹的概要如下:
scrapy.cfg 是项目配置文件
store_name/ 主目录下的另一个文件夹。 这个目录包含了项目的python代码
store_name/items.py 包含了将由蜘蛛爬取的项目
store_name/pipelines.py 是管道文件
store_name/settings.py 是项目的配置文件
store_name/spiders/, 包含了用于爬取的蜘蛛
由于我们要从fatwallet.com上如提取店名,因此我们如下修改文件(lctt 译注:这里没说明是哪个文件,译者认为应该是 items.py)。
<code>import scrapy</code>
<code></code>
<code>class storenameitem(scrapy.item):</code>
<code>name = scrapy.field() # 取出卡片商店的名称</code>
之后我们要在项目的store_name/spiders/文件夹下写一个新的蜘蛛。蜘蛛是一个python类,它包含了下面几个必须的属性:
蜘蛛名 (name )
爬取起点url (start_urls)
包含了从响应中提取需要内容相应的正则表达式的解析方法。解析方法对爬虫而言很重要。
我们在storename/spiders/目录下创建了“storename.py”爬虫,并添加如下的代码来从fatwallet.com上提取店名。爬虫的输出写到文件(storename.txt)中,见图7。
<code>from scrapy.selector import selector</code>
<code>from scrapy.spider import basespider</code>
<code>from scrapy.http import request</code>
<code>from scrapy.http import formrequest</code>
<code>import re</code>
<code>class storenameitem(basespider):</code>
<code>name = "storename"</code>
<code>allowed_domains = ["fatwallet.com"]</code>
<code>start_urls = ["http://fatwallet.com/cash-back-shopping/"]</code>
<code>def parse(self,response):</code>
<code>output = open('storename.txt','w')</code>
<code>resp = selector(response)</code>
<code>tags = resp.xpath('//tr[@class="storelistrow"]|\</code>
<code>//tr[@class="storelistrow even"]|\</code>
<code>//tr[@class="storelistrow even last"]|\</code>
<code>//tr[@class="storelistrow last"]').extract()</code>
<code>for i in tags:</code>
<code>i = i.encode('utf-8', 'ignore').strip()</code>
<code>store_name = ''</code>
<code>if re.search(r"class=\"storeliststorename\">.*?<",i,re.i|re.s):</code>
<code>store_name = re.search(r"class=\"storeliststorename\">.*?<",i,re.i|re.s).group()</code>
<code>store_name = re.search(r">.*?<",store_name,re.i|re.s).group()</code>
<code>store_name = re.sub(r'>',"",re.sub(r'<',"",store_name,re.i))</code>
<code>store_name = re.sub(r'&amp;',"&",re.sub(r'&amp;',"&",store_name,re.i))</code>
<code>#print store_name</code>
<code>output.write(store_name+""+"\n")</code>
图:7 爬虫的输出
注意: 本教程的目的仅用于理解scrapy框架
----------------------------------------------------------------------------------------------------------------------------