最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

Python之Scrapy爬蟲框架安裝及使用詳解

 更新時間:2017年11月16日 16:19:02   作者:leerh  
這篇文章主要為大家詳細介紹了Python Scrapy爬蟲框架安裝及簡單使用,具有一定的參考價值,感興趣的小伙伴們可以參考一下

題記:早已聽聞python爬蟲框架的大名。近些天學(xué)習(xí)了下其中的Scrapy爬蟲框架,將自己理解的跟大家分享。有表述不當(dāng)之處,望大神們斧正。

一、初窺Scrapy

Scrapy是一個為了爬取網(wǎng)站數(shù)據(jù),提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。 可以應(yīng)用在包括數(shù)據(jù)挖掘,信息處理或存儲歷史數(shù)據(jù)等一系列的程序中。

其最初是為了 頁面抓取 (更確切來說, 網(wǎng)絡(luò)抓取 )所設(shè)計的, 也可以應(yīng)用在獲取API所返回的數(shù)據(jù)(例如 Amazon Associates Web Services ) 或者通用的網(wǎng)絡(luò)爬蟲。

本文檔將通過介紹Scrapy背后的概念使您對其工作原理有所了解, 并確定Scrapy是否是您所需要的。

當(dāng)您準備好開始您的項目后,您可以參考 入門教程 。

二、Scrapy安裝介紹

Scrapy框架運行平臺及相關(guān)輔助工具

Python 2.7(Python最新版3.5,這里選擇了2.7版本)
Python Package: pip and setuptools. 現(xiàn)在 pip 依賴 setuptools ,如果未安裝,則會自動安裝setuptools 。
lxml. 大多數(shù)Linux發(fā)行版自帶了lxml。如果缺失,請查看http://lxml.de/installation.html
OpenSSL. 除了Windows(請查看 平臺安裝指南)之外的系統(tǒng)都已經(jīng)提供。
您可以使用pip來安裝Scrapy(推薦使用pip來安裝Python package).

pip install Scrapy

Windows下安裝流程:

1、安裝Python 2.7之后,您需要修改 PATH 環(huán)境變量,將Python的可執(zhí)行程序及額外的腳本添加到系統(tǒng)路徑中。將以下路徑添加到 PATH 中:

 C:\Python27\;C:\Python27\Scripts\;

除此之外,還可以用cmd命令來設(shè)置Path:

c:\python27\python.exe c:\python27\tools\scripts\win_add2path.py

安裝配置完成之后,可以執(zhí)行命令python --version查看安裝的python版本。(如圖所示)

2、從 http://sourceforge.net/projects/pywin32/ 安裝 pywin32

請確認下載符合您系統(tǒng)的版本(win32或者amd64)

https://pip.pypa.io/en/latest/installing.html 安裝 pip

3、打開命令行窗口,確認 pip 被正確安裝:

pip --version

4、到目前為止Python 2.7 及 pip 已經(jīng)可以正確運行了。接下來安裝Scrapy:

pip install Scrapy

至此windows下Scrapy安裝已經(jīng)結(jié)束。

三、Scrapy入門教程

1、在cmd中創(chuàng)建Scrapy項目工程。

 scrapy startproject tutorial

H:\python\scrapyDemo>scrapy startproject tutorial
New Scrapy project 'tutorial', using template directory 'f:\\python27\\lib\\site-packages\\scrapy\\templates\\project', created in:
 H:\python\scrapyDemo\tutorial

You can start your first spider with:
 cd tutorial
 scrapy genspider example example.com

2、文件目錄結(jié)構(gòu)如下:

解析scrapy框架結(jié)構(gòu):

scrapy.cfg: 項目的配置文件。
tutorial/: 該項目的python模塊。之后您將在此加入代碼。
tutorial/items.py: 項目中的item文件。
tutorial/pipelines.py: 項目中的pipelines文件。
tutorial/settings.py: 項目的設(shè)置文件。
tutorial/spiders/: 放置spider代碼的目錄。

3、編寫簡單的爬蟲

1)、在item.py中配置需采集頁面的字段實例。

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy
from scrapy.item import Item, Field

class TutorialItem(Item):
 title = Field()
 author = Field()
 releasedate = Field() 

2)、在tutorial/spiders/spider.py中書寫要采集的網(wǎng)站以及分別采集各字段。

# -*-coding:utf-8-*-
import sys
from scrapy.linkextractors.sgml import SgmlLinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from tutorial.items import TutorialItem

reload(sys)
sys.setdefaultencoding("utf-8")


class ListSpider(CrawlSpider):
 # 爬蟲名稱
 name = "tutorial"
 # 設(shè)置下載延時
 download_delay = 1
 # 允許域名
 allowed_domains = ["news.cnblogs.com"]
 # 開始URL
 start_urls = [
 "https://news.cnblogs.com"
 ]
 # 爬取規(guī)則,不帶callback表示向該類url遞歸爬取
 rules = (
 Rule(SgmlLinkExtractor(allow=(r'https://news.cnblogs.com/n/page/\d',))),
 Rule(SgmlLinkExtractor(allow=(r'https://news.cnblogs.com/n/\d+',)), callback='parse_content'),
 )

 # 解析內(nèi)容函數(shù)
 def parse_content(self, response):
 item = TutorialItem()

 # 當(dāng)前URL
 title = response.selector.xpath('//div[@id="news_title"]')[0].extract().decode('utf-8')
 item['title'] = title

 author = response.selector.xpath('//div[@id="news_info"]/span/a/text()')[0].extract().decode('utf-8')
 item['author'] = author

 releasedate = response.selector.xpath('//div[@id="news_info"]/span[@class="time"]/text()')[0].extract().decode(
  'utf-8')
 item['releasedate'] = releasedate

 yield item

3、在tutorial/pipelines.py管道中保存數(shù)據(jù)。

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json
import codecs


class TutorialPipeline(object):
 def __init__(self):
 self.file = codecs.open('data.json', mode='wb', encoding='utf-8')#數(shù)據(jù)存儲到data.json

 def process_item(self, item, spider):
 line = json.dumps(dict(item)) + "\n"
 self.file.write(line.decode("unicode_escape"))

 return item

4、tutorial/settings.py中配置執(zhí)行環(huán)境。

# -*- coding: utf-8 -*-

BOT_NAME = 'tutorial'

SPIDER_MODULES = ['tutorial.spiders']
NEWSPIDER_MODULE = 'tutorial.spiders'

# 禁止cookies,防止被ban
COOKIES_ENABLED = False
COOKIES_ENABLES = False

# 設(shè)置Pipeline,此處實現(xiàn)數(shù)據(jù)寫入文件
ITEM_PIPELINES = {
 'tutorial.pipelines.TutorialPipeline': 300
}

# 設(shè)置爬蟲爬取的最大深度
DEPTH_LIMIT = 100

5、新建main文件執(zhí)行爬蟲代碼。

from scrapy import cmdline
cmdline.execute("scrapy crawl tutorial".split())

最終,執(zhí)行main.py后在data.json文件中獲取到采集結(jié)果的json數(shù)據(jù)。

以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

最新評論

含山县| 鸡泽县| 贺州市| 万安县| 鄂温| 常熟市| 桂平市| 太康县| 闻喜县| 嫩江县| 拜城县| 鄂尔多斯市| 孟津县| 镇安县| 彩票| 自贡市| 白山市| 乐业县| 筠连县| 上蔡县| 海丰县| 于田县| 图片| 车致| 澜沧| 拉萨市| 景洪市| 南昌县| 金华市| 民县| 定州市| 阿合奇县| 绥德县| 碌曲县| 昆明市| 嘉定区| 庆城县| 枣庄市| 吉木萨尔县| 福鼎市| 泾川县|