一步步教你利用Github开源项目实现网络爬虫:以抓取证券日报新闻为例-阿里云开发者社区

开发者社区> Python中文社区> 正文

一步步教你利用Github开源项目实现网络爬虫:以抓取证券日报新闻为例

简介:

在学习编程的过程中,初学者(特别是想转行互联网的来自其它专业的初学者)往往因为缺乏实际项目的操作而陷入基础学习的环境中无法自拔,在学习Python的过程中,笔者最初也是一直停留在不断地print、列表、数组、各种数据结构的学习里,当然基础知识的学习很重要,但是没有项目的实际操作,往往无法得到提高并会心生厌倦,为了应对这个问题,接下来专栏将从Github开源项目选取一些比较有意思的项目,来为大家说明如何开展项目,如何安装环境,如何debug,如何找到解决问题的方法......

我们以抓取财经新闻的爬虫为例,默认centos系统、Python2.7环境,并且已经安装pyenv,如未安装pyenv请参考:

基于pyenv和virtualenv搭建python多版本虚拟环境

项目作者: 
Hailong Zhang 
项目地址: 
Scrapy Spider for 各种新闻网站 
感谢作者开源

1. 首先准备项目开发环境

$cd /home/andy/.pyenv/ENV2.7.10 
$ mkdir works 
$ cd works 
$ pyenv activate ENV2.7.10 
$ sudo yum install gcc libffi-devel openssl-devel libxml2 libxslt-devel libxml2-devel python-devel -y
$ sudo yum install python-setuptools

2. 依次安装pip、lxml、scrapy

$ easy_install pip 
$ easy_install lxml 
$ pip install scrapy

3. 从github克隆项目

$ mkdir spiders 
$ git clone https://github.com/hailong0707/spider_news_all
640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=

4. 查看README.md项目文档
$ cd spider_news_all 
$ ls 
$ vim README.md
640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=
5. 安装环境及数据库存储连接用的MySQL-python模块
$ sudo yum install python-devel 
$ sudo yum install mysql-devel 
$ pip install MySQL-python 
$ pip install bs4

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=
6. 创建新的与爬虫项目匹配的数据库和配置爬虫项目MySQLdb的连接账号密码 进入MySQL创建存储数据的数据库、表,记得刷新权限: 

mysql> create database news; 
mysql> grant all privileges on news.* to username@localhost identified by 'passwd'; 
mysql> flush privileges;

在db.sql的同级目录加载数据库表结构

$ mysql -u root -p 
$ source db.sql

配置与数据库对应的爬虫系统的MySQLdb的连接账号密码:

$ vim pipelines.py 
$ vim zqrb.py

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=
7. 安装screen,运行项目,以抓取证券日报新闻为例,命名screen名称zqrb
$ sudo yum install screen 
$ screen -S zqrb 
$ scrapy crawl zqrb

8. Debug,直接运行会发现报错,debug完再运行

AttributeError: 'list' object has no attribute 'iteritems'

查看项目的github主页,在Issues里有人已经提出解决方案,修改setting.py

ITEM_PIPELINES = { 'spider_news_all.pipelines.SpiderNewsAllPipeline': 300 }

修改之后再次运行,Great!Ctrl+A+D退出screen返回终端,让爬虫继续运行,Linux中可以利用crontab执行定时任务,比如可以设置每天晚上0点定时开启爬虫抓取。

$ scrapy crawl zqrb
640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=
640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=
640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=

原文发布时间为:2016-10-08
本文作者:知乎@橙哥
本文来自云栖社区合作伙伴“Python中文社区”,了解相关信息可以关注“Python中文社区”微信公众号

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
Python中文社区
使用钉钉扫一扫加入圈子
+ 订阅

官网链接