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。
安装 Scrapy
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。
sudo apt-getinstall python-pip
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。
sudo apt-getinstall python-dev
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。
sudo pip install scrapy
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
使用scrapy框架提取数据
基础教程
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。
$sudo scrapy startproject store_name
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。
$sudo ls–lR store_name
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)。
importscrapy
classStoreNameItem(scrapy.Item):
name=scrapy.Field()# 取出卡片商店的名称
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。
fromscrapy.selectorimportSelector
fromscrapy.spiderimportBaseSpider
fromscrapy.httpimportRequest
fromscrapy.httpimportFormRequest
importre
classStoreNameItem(BaseSpider):
name="storename"
allowed_domains=["fatwallet.com"]
start_urls=["http://fatwallet.com/cash-back-shopping/"]
defparse(self,response):
output=open('StoreName.txt','w')
resp=Selector(response)
tags=resp.xpath('//tr[@class="storeListRow"]|\
//tr[@class="storeListRow even"]|\
//tr[@class="storeListRow even last"]|\
//tr[@class="storeListRow last"]').extract()
foriintags:
i=i.encode('utf-8','ignore').strip()
store_name=''
ifre.search(r"class=\"storeListStoreName\">.*?
store_name=re.search(r"class=\"storeListStoreName\">.*?
store_name=re.search(r">.*?
store_name=re.sub(r'>',"",re.sub(r'
store_name=re.sub(r'&',"&",re.sub(r'&',"&",store_name,re.I))
#print store_name
output.write(store_name+""+"\n")
图:7 爬虫的输出
注意: 本教程的目的仅用于理解scrapy框架