一、安装
- 创建虚拟环境:python -m venv env/abspider
- 安装scrapy及相关依赖:pip install -r requirements.txt
# 依赖及版本(请自行选择)
scrapy==2.11.0
lxml==5.0.0
pyOpenSSL==23.3.0
二、使用
- 进入项目文件夹:cd /path/to/projects
- 创建scrapy项目:scrapy startproject abspider,生成以下目录及文件
- 开始爬虫:scrapy crawl spider
- 爬虫结果输出为一个CSV文件:scrapy crawl spider -o output.csv
- 打印及输出爬虫结果,可用于调整爬虫规则:scrapy shell http://www.baidu.com
- 打开浏览器查看爬取的网站:scrapy view http://www.baidu.com
- 打开命令行帮助:scrapy -h
三、项目结构及配置
- spiders:爬虫的请求及响应处理,多页面爬取时在此添加多个URL
- items:爬虫的数据结构
- pipelines:清洗、验证及存储数据
- middlewares:介于爬虫的请求与响应之间的处理,例如设置代理、修改header等
- settings:项目配置
# 修改请求头,防止被目标服务器阻止
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
# False即不遵循robots协议,爬取该网站不允许的URL,否则可能会无法爬取数据
ROBOTSTXT_OBEY = False
四、遇到的问题
1、缺少module'lzma'(由于我使用的是Python3.11,旧版本可能没有这个问题)
解决方法:
- 安装依赖:apt install xz-devel;pip install backports.lzma
- 修改文件:/path/python311/lib/python3.11/lzma.py
# 找到旧代码
from ._lzma import *
from ._lzma import _encode_filter_properties, _decode_filter_properties
# 改为新代码
try:
from ._lzma import *
from ._lzma import _encode_filter_properties, _decode_filter_properties
except ImportError:
from backports.lzma import *
from backports.lzma import _encode_filter_properties, _decode_filter_properties