Ubuntu16.04下Scrapy环境的搭建

Posted 2020-10-11

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

#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

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：

使用pycharm打开TestSpider

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/

        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

#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

[email protected]:~/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

[email protected]:~/TestSpider$ scrapy crawl qiushi_img

结果类似如下图：

此时生成1.txt内容类似：

//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：

#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。

本文出自 “学无止境,学以致用” 博客，请务必保留此出处http://dyc2005.blog.51cto.com/270872/1975479