Python3环境安装Scrapy爬虫框架过程
Posted 听海8
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python3环境安装Scrapy爬虫框架过程相关的知识,希望对你有一定的参考价值。
Python3环境安装Scrapy爬虫框架过程
1. 安装wheel
pip install wheel
安装检查:
2. 安装lxml pip install lxml-4.2.1-cp36-cp36m-win_amd64.whl
去https://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml 下载对应的Python版本
选择对于的版本进行下载:cp36代表的是Python版本是多少,这里我的版本是python36,操作系统是win64位的,所以我下载文件
lxml-4.2.1-cp36-cp36m-win_amd64.whl
下载下来的Python36 lxml 版本
在DOS下切换到下载的目录下(cd D:\\soft\\Scrapy环境搭建)
执行:pip install lxml-4.2.1-cp36-cp36m-win_amd64.whl
3. 安装zope.interface
到官方网站https://pypi.python.org/pypi/zope.interface#downloads下载对应版本的wheel文件,如果没有登录,需要登录。
在DOS下切换到下载的目录下(cd D:\\soft\\Scrapy环境搭建)。
执行:pip install zope.interface-4.5.0-cp36-cp36m-win_amd64.whl
4. 安装pyOpenSSL
官方网站下载wheel文件,https://pypi.python.org/pypi/pyOpenSSL#downloads
下载pyOpenSSL-17.5.0-py2.py3-none-any.whl
在DOS下切换到下载的目录下(cd D:\\soft\\Scrapy环境搭建)。
执行:pip install pyOpenSSL-17.5.0-py2.py3-none-any.whl
5. 安装Twisted
同理,http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载wheel文件,利用pip安装即可。
如Python 3.6版本,Windows 64位系统,下载
Twisted-17.9.0-cp36-cp36m-win_amd64.whl,然后pip安装。
在DOS下切换到下载的目录下
执行:pip install Twisted-17.9.0-cp36-cp36m-win_amd64.whl
6. 安装pywin32
从官方网站 https://sourceforge.net/projects/pywin32/files/pywin32/Build%20220/ 下载对应版本的安装包安装。
下载
安装:
在安装时会出现提示python3.6-32在注册表中不存在。
处理windos64位下python3.6安装pywin32的问题的方法
方法一
这个报的错是因为注册表问题,于是百度到下面一段代码
这段代码执行以后可以自动将py3.6安装目录直接添加进注册表,检查了下注册表,的确出现了。
第一步按“win+R”或者点击开始菜单,找到运行,在运行输入框里面输入“regedit”,如下图所示:
在HKEY-CURRENT_USER–Software–Python–PythonCore–会发现3.6-32文件夹
方法二: 把注册表3.6导出,名称另存为3.6-32,再导入注册表,重启电脑即可。
处理完之后,就可以安装pywin32-220.win-amd64-py3.6
7. 安装Scrapy pip install Scrapy
最后安装Scrapy即可,依然使用pip,命令如下:
Scrapy 安装成功验证
制作 Scrapy 爬虫一共需要4步:
- 新建项目 (scrapy startproject xxx):新建一个新的爬虫项目
- 明确目标 (编写items.py):明确你想要抓取的目标
- 制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页
- 存储内容 (pipelines.py):设计管道存储爬取内容
步骤:
一. 新建项目(scrapy startproject)
1. 新建一个文件夹存放scrapy项目(D:\\爬虫_script\\scrapy_project)。
2.从dos下进入到该目录下
3.新建一个新的爬虫项目:scrapy startproject mySpiter
下面来简单介绍一下各个主要文件的作用:
scrapy.cfg :项目的配置文件
mySpider/ :项目的Python模块,将会从这里引用代码
mySpider/items.py :项目的目标文件
mySpider/pipelines.py :项目的管道文件
mySpider/settings.py :项目的设置文件
mySpider/spiders/ :存储爬虫代码目录
二、明确目标(mySpider/items.py)
我们打算抓取:http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。
打开mySpider目录下的items.py
Item 定义结构化数据字段,用来保存爬取到的数据,有点像Python中的dict,但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。
接下来,创建一个ItcastItem 类,和构建item模型(model)。
import scrapy
class ItcastItem(scrapy.Item):
name = scrapy.Field()
level = scrapy.Field()
info = scrapy.Field()
三、制作爬虫 (spiders/itcastSpider.py)
爬虫功能要分两步:
1. 爬数据
- 在当前目录下输入命令,将在
mySpider/spider
目录下创建一个名为itcast
的爬虫,并指定爬取域的范围: - 打开 mySpider/spider目录里的 itcast.py,默认增加了下列代码:
scrapy genspider itcast "itcast.cn"
import scrapy
class ItcastSpider(scrapy.Spider):
name =
"itcast"
allowed_domains = [
"itcast.cn"]
start_urls = (
\'http://www.itcast.cn/\'
,
)
def parse(self, response):
pass
其实也可以由我们自行创建itcast.py并编写上面的代码,只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性 和 一个方法。
name = ""
:这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。allow_domains = []
是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。start_urls = ()
:爬取的URL元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。parse(self, response)
:解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:
- 负责解析返回的网页数据(response.body),提取结构化数据(生成item)
- 生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个url
start_urls = (
"http://www.itcast.cn/channel/teacher.shtml",)
修改parse()方法
def parse(self, response):
filename =
"teacher.html"
open(filename,
\'w\').write(response.body)
然后运行一下看看,在mySpider目录下执行:
scrapy crawl itcast
是的,就是 itcast,看上面代码,它是 ItcastSpider 类的 name 属性,也就是使用 scrapy genspider
命令的唯一爬虫名。
运行之后,如果打印的日志出现 [scrapy] INFO: Spider closed (finished)
,代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件,里面就是我们刚刚要爬取的网页的全部源代码信息。
2. 取数据
- 爬取整个网页完毕,接下来的就是的取过程了,首先观察页面源码:
<div class="li_txt">
<h3>
xxx
</h3>
<h4>
xxxxx
</h4>
<p>
xxxxxxxx
</p>
保存数据
scrapy保存信息的最简单的方法主要有四种,-o 输出指定格式的文件,,命令如下:
# json格式,默认为Unicode编码
scrapy crawl itcast -o teachers.json
# json lines格式,默认为Unicode编码
scrapy crawl itcast -o teachers.jsonl
# csv 逗号表达式,可用Excel打开
scrapy crawl itcast -o teachers.csv
# xml格式
scrapy crawl itcast -o teachers.xml
-------------------------------
个人今日头条账号: 听海8 (上面上传了很多相关学习的视频以及我书里的文章,大家想看视频,可以关注我的今日头条)
以上是关于Python3环境安装Scrapy爬虫框架过程的主要内容,如果未能解决你的问题,请参考以下文章
win7中python3.4下安装scrapy爬虫框架(亲测可用)