windows下搭建爬虫框架

1.安装python和pip()

2.命令行中运行,从豆瓣源上下载,速度比较快

pip install -i https://pypi.doubanio.com/simple/ virtualenv

3.新建scrapytest的虚拟环境 ,命令行中进入相应目录

D:\Test>virtualenv scrapytest

4.运行activate.bat文件

D:\Test\scrapytest\Scripts>activate.bat

5.运行python

(scrapytest) D:\Test\scrapytest\Scripts>python

6.退出虚拟环境

(scrapytest) D:\Test\scrapytest\Scripts>deactivate.bat

7.创建虚拟环境时指明python版本(补充),指定某个路径下的python.exe

D:\Test> virtualenv ___\python.exe scrapytest

8.安装virtualenvwrapper(辅助执行虚拟环境)

D:\Test\scrapytest\Scripts>pip install virtualenvwrapper-win
9.运行workon
D:\Test\scrapytest\Scripts>workon(查看运行中的虚拟环境)

10.配置WORKON_HOME(提供给workon)

D:\Envs
11.创建virtualenv
D:\Envs>mkvirtualenv py3scrapy
12.退出虚拟环境
(py3scrapy) C:\Users\Administrator>deactivate
13.启动虚拟环境可以通过workon,此时不需要指定路径
C:\Users\Administrator>workon py3scrapy
14.安装软件如requests
C:\Users\Administrator>pip install requests
15.如果安装失败,可以在http://www.lfd.uci.edu/~gohlke/pythonlibs/这个网站上去下载安装(基本为windows版本)
pip install -i https://pypi.doubanio.com/simple/ scrapy 

安装出错,手动去上述网站下载安装,下载好后,进入该文件下载地址通过workon py3scrapy进入虚拟环境,通过命令pip install安装 

C:\Users\Administrator\Downloads>workon py3scrapy
(py3scrapy) C:\Users\Administrator\Downloads>pip install lxml-4.0.0-cp34-cp34m-win32.whl
如果出现twisted安装错误去网上 http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 如上解决

16.创建scrapy项目

如项目创建在 D:\workspace\PycharmProjs 中,需在cmd命令中进入该目录,输入命令workon py3scrapy进入虚拟环境

创建scrapy项目,并将项目导入到pycharm中

(py3scrapy) D:\workspace\PycharmProjs>scrapy startproject ArticleSpider

17.生成默认爬虫代码

(py3scrapy) D:\workspace\PycharmProjs\ArticleSpider>scrapy genspider jobbole blog.jobbole.com

18.命令行运行出现错误

(py3scrapy) D:\workspace\PycharmProjs\ArticleSpider>scrapy crawl jobbole

    ImportError: No module named 'win32api'

安装即可,注意将settings.py中的 ROBOTSTXT_OBEY = False,值要改为False,即不遵守robot协议

pip install -i https://pypi.douban.com/simple pypiwin32

19.通过shell命令对网页进行调试

(py3scrapy) D:\workspace\PycharmProjs\ArticleSpider>scrapy shell http://blog.jobbole.com/112517/

# 通过xpath获取
>>> title = response.xpath("//*[@id='post-112517']/div[1]/h1/text()")

>>> title
[<Selector xpath="//*[@id='post-112517']/div[1]/h1/text()" data='Linux 大爆炸:一个内核,无数发行版'>]

>>> title.extract()
['Linux 大爆炸:一个内核,无数发行版']

>>> title.extract()[0]
'Linux 大爆炸:一个内核,无数发行版'
	
>>> create_date = response.xpath("//p[@class='entry-meta-hide-on-mobile']")
>>> create_date
[<Selector xpath="//p[@class='entry-meta-hide-on-mobile']" data='<p class="entry-meta-hide-on-mobile">\r\n\r'>]
	
>>> response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()
['\r\n\r\n    2017/09/19 ·  ', '\r\n     \r\n    \r\n\r\n    \r\n    ·  ', '\r\n            \r\n']
	
>>> response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()[0].    strip().replace("·","").strip()
'2017/09/19'

>>> response.xpath("//span[contains(@class, 'vote-post-up')]")
[<Selector xpath="//span[contains(@class, 'vote-post-up')]" data='<span data-post-id="112517" class=" btn-'>]

>>> int(response.xpath("//span[contains(@class, 'vote-post-up')]/h10/text()").extract()[0])
1

>>> response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").extract()[0]
'  收藏'

>>> response.xpath("//a[@href='#article-comment']/span").extract()[0]
'<span class="btn-bluet-bigger href-style hide-on-480"><i class="fa fa-comments-o"></i>  评论</span>'

>>> response.xpath("//div[@class='entry']").extract()[0]
获取正文内容

# 通过css获取
>>> response.css(".entry-header h1")
[<Selector xpath="descendant-or-self::*[@class and contains(concat(' ', normalie-space(@class), ' '), ' entry-header ')]/descendant-or-self::*/h1" data='<h1>Lnux 大爆炸:一个内核,无数发行版</h1>'>]
	
>>> response.css(".entry-header h1").extract()
['<h1>Linux 大爆炸:一个内核,无数发行版</h1>']

>>> response.css(".entry-header h1::text").extract()
['Linux 大爆炸:一个内核,无数发行版']

>>> response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·","").strip()
'2017/09/19 ·'

>>> response.css(".vote-post-up h10::text").extract()[0]
'1'

>>> response.css("span.bookmark-btn::text").extract()[0]
'  收藏'

>>> response.css("a[href='#article-comment'] span::text").extract()[0]
' 1 评论'

>>> response.css("div.entry").extract()[0]
'内容'

20.下载图片时需要安装pillow插件

(py3scrapy) C:\Users\Administrator>pip install -i https://pypi.douban.com/simple pillow

21.安装连接mysql的插件mysqlclient

(py3scrapy) C:\Users\Administrator>pip install -i https://pypi.douban.com/simple mysqlclient

  • 5
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值