Python | 初识爬虫框架Scrapy

一、前言

今天给大家分享的是，Python里的爬虫框架Scrapy学习，包含python虚拟环境的搭建、虚拟环境的使用、Scrapy安装方法详解、Scrapy基本使用、Scrapy项目目录及内容基本介绍，let's go！

二、Python爬虫框架Scrapy简介

推荐查看Scrapy中文帮助文档：

 1# 维基百科看Scrapy
 2'''
 3Scrapy（SKRAY -pee）是一个免费和开源 网络爬行 框架 Python编写的。最初设计用于Web抓取，它还可
 4以用于使用API或作为通用Web爬网程序提取数据。它目前由网络抓取开发和服务公司Scrapinghub Ltd.维护
 5。
 6Scrapy项目体系结构是围绕“Spider”构建的，它们是自包含的爬虫，可以获得一组指令。遵循其他框架的精
 7神，不重复自己的框架，例如Django，它允许开发人员重用他们的代码，从而更容易构建和扩展大型爬行项
 8目。Scrapy还提供了一个Web爬行shell，开发人员可以使用它来测试他们对站点行为的假设。
 9(英译汉有点尴尬！真的想学，还是好好看上面的帮助文档吧)
10'''

三、看代码，边学边敲边记虚拟环境、Scrapy框架

1. 新建一个虚拟环境

下面 操作之前你需要准备好：
(1) 你的python版本是3.x，最好系统里只有一个python环境,后面所有学习笔记都基于py3的。
(2)python环境里先安装virtualenv模块，基本方法pip install virtualenv 。
(3)选择好虚拟环境的安装目录(我选的是H盘目录下的env文件夹，建议你选的目录路径里最好不要有中文)。

1PS H:\env\> virtualenv spiderenv
2Using base prefix 'c:\\users\\82055\\appdata\\local\\programs\\python\\python36'
3New python executable in H:\env\spiderenv\Scripts\python.exe
4Installing setuptools, pip, wheel...done.
5注： 如果系统中有两个python环境（py2和py3）,新建基于py3的虚拟环境方法
6virtualenv -python=你的Python3安装目录(精确到python.exe) spiderenv(虚拟环境名称)

安装完成后再自己选择的目录下会多出一个文件夹(虚拟环境)，我这里为H：\env\spiderenv,后面所有爬虫学习过程中需要的模块、接口都将pip(安装)在里面。

2. 打开虚拟环境，安装Scrapy框架

进入到目录H:\env\spiderenv\Scripts(我的虚拟环境目录)，按住shift+鼠标右键，打开powershell或者cmd(如果是powershell就先输入cmd)，再输入activate，进入虚拟环境，你会发现在路径前面多了一个括号里面是你的虚拟环境名称，表示你进入了虚拟环境。具体看下面：

1# 注：打开powershell 的可以参照下面操作
2PS H:\env\spiderenv\Scripts> cmd
3Microsoft Windows [版本 10.0.17134.112]
4(c) 2018 Microsoft Corporation。保留所有权利。
5
6H:\env\spiderenv\Scripts>activate
7(spiderenv) H:\spiderenv\Scripts>

安装scrapy模块(下面操作都是在虚拟环境下)：

方法一：直接pip安装(最简单，安装慢，可能出错)

1pip install scrapy

方法二：轮子(wheel)安装(比较简单，安装速度还可以，基本不出错)
点击这里下载scrapy的.whl文件，然后移动到你的虚拟环境目录下(比如我的就移动到H:\env\spiderenv\Scripts),

1pip install Scrapy-1.5.1-py2.py3-none-any.whl

方法三：豆瓣源安装(比较简单，安装速度快，方便，推荐)

1pip install -i https://pypi.douban.com/simple/  scrapy

3. 快速进入虚拟环境方法

安装virtualenvwrapper模块，用于管理我们所建的虚拟环境

1# windows下安装方法
2 pip install virtualenvwrapper-win
3# 其他环境下安装
4 pip install virtualenvwrapper

安装完成后，打开控制面板 - >系统 -> 高级系统设置 - > 环境变量 ->  系统变量 -> 新建，在新建系统环境变量对话框中输入如下

1变量名：WORKON_HOME
2变量值：你的虚拟环境安装目录
3比如：我的虚拟环境spiderenv安装在H:\env目录下，我的变量值就为：H：\env\
4注：变量值最后一定要以 \ 结尾，不然可能不会产生效果。

在上面设置完成后，我们在cmd执行下面命令，即可简单快速进入虚拟环境：

 1PS C:\Users\82055\Desktop> cmd
 2Microsoft Windows [版本 10.0.17134.112]
 3(c) 2018 Microsoft Corporation。保留所有权利。
 4
 5C:\Users\82055\Desktop>workon
 6
 7Pass a name to activate one of the following virtualenvs:
 8==============================================================================
 9spiderenv
10
11C:\Users\82055\Desktop>workon spiderenv
12(spiderenv) C:\Users\82055\Desktop>
13# 注释：成功进入，退出虚拟环境命令为 ： deactivate

4. 创建一个基于Scrapy框架的项目

 1# 进入到自己的项目存放目录
 2(spiderenv) H:\env>cd H:\spider_project
 3
 4# 使用scrapy命令创建一个新工程
 5(spiderenv) H:\spider_project>scrapy startproject spider_bole_blog
 6
 7New Scrapy project 'spider_bole_blog', using template directory 'h:\\env\\spiderenv\\
 8lib\\site-packages\\scrapy\\templates\\project', created in:
 9    H:\spider_project\spider_bole_blog
10# 提示创建网站爬虫命令
11You can start your first spider with:
12    cd spider_bole_blog
13    scrapy genspider example example.com

创建成功后文件目录结构：

1spider_bole_blog/
2    spider_bole_blog/
3            spiders/
4                __init__.py
5            __init__.py
6            items.py
7            pipelines.py
8            settings.py
9    scrapy.cfg   

目录功能基本介绍:

1spider_bole_blog/: 该项目的python模块。之后我们将在此加入代码。
2spider_bole_blog/spiders/: 放置spider代码的目录。
3spider_bole_blog/items.py: 项目中的item文件。
4spider_bole_blog/pipelines.py: 项目中的pipelines文件。
5spider_bole_blog/settings.py: 项目的设置文件。
6scrapy.cfg: 项目的配置文件。

创建一个jobbole(伯乐在线)的爬虫项目文件：

1# 进入项目文件
2(spiderenv) H:\spider_project>cd spider_bole_blog
3
4# 执行命令，创建一个基于Srapy的伯乐在线的爬虫
5(spiderenv) H:\spider_project\spider_bole_blog>scrapy genspider jobbole blog.jobbole.com
6
7Created spider 'jobbole' using template 'basic' in module:
8  spider_bole_blog.spiders.jobbole

执行完成后会在项目的spiders目录下多出一个jobbole.py文件，文件内容如下：

 1# -*- coding: utf-8 -*-        
 2# 编码
 3import scrapy
 4# 导入scrapy包
 5
 6#继承scrapy.Spider的 JobboleSpider 爬虫类
 7class JobboleSpider(scrapy.Spider):
 8
 9    # 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。
10    name = 'jobbole'
11
12    # 允许下载(访问)域
13    allowed_domains = ['blog.jobbole.com']
14
15    # 包含了Spider在启动时进行爬取的url列表。
16    # 因此，第一个被获取到的页面将是其中之一。
17    # 后续的URL则从初始的URL获取到的数据中提取。
18    start_urls = ['http://blog.jobbole.com/']
19
20    # 是spider的一个方法。
21    # 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。
22    # 该方法负责解析返回数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL
23    # 的 Request 对象。
24    def parse(self, response):
25        pass

四、后言

今天讲的东西涵盖面还比较广，特别是虚拟环境管理这块，virtualenvwrapper还有很多命令，很实用，后面会慢慢给大家提及，大家也可以自己百度、谷歌查一下，另外，Scrapy模块今天也算正式开始，go on!

原文发布时间为：2018-09-6

本文作者：XksA

本文来自云栖社区合作伙伴“Python专栏”，了解相关信息可以关注“Python专栏”。