這是一款提取網(wǎng)站數(shù)據(jù)的開(kāi)源工具。Scrapy框架用Python開(kāi)發(fā)而成，它使抓取工作又快又簡(jiǎn)單，且可擴(kuò)展。我們已經(jīng)在virtual box中創(chuàng)建一臺(tái)虛擬機(jī)(VM)并且在上面安裝了Ubuntu 14.04 LTS。

安裝 Scrapy

Scrapy依賴于Python、開(kāi)發(fā)庫(kù)和pip。Python最新的版本已經(jīng)在Ubuntu上預(yù)裝了。因此我們?cè)诎惭bScrapy之前只需安裝pip和python開(kāi)發(fā)庫(kù)就可以了。

pip是作為python包索引器easy_install的替代品，用于安裝和管理Python包。pip包的安裝可見(jiàn)圖 1。

sudo apt-get install python-pip

圖:1 pip安裝

我們必須要用下面的命令安裝python開(kāi)發(fā)庫(kù)。如果包沒(méi)有安裝那么就會(huì)在安裝scrapy框架的時(shí)候報(bào)關(guān)于python.h頭文件的錯(cuò)誤。

sudo apt-get install python-dev

圖:2 Python 開(kāi)發(fā)庫(kù)

scrapy框架既可從deb包安裝也可以從源碼安裝。在圖3中我們用pip(Python 包管理器)安裝了deb包了。

sudo pip install scrapy

圖:3 Scrapy 安裝

圖4中scrapy的成功安裝需要一些時(shí)間。

圖:4 成功安裝Scrapy框架

使用scrapy框架提取數(shù)據(jù)

基礎(chǔ)教程

我們將用scrapy從fatwallet.com上提取商店名稱(賣卡的店)。首先，我們使用下面的命令新建一個(gè)scrapy項(xiàng)目“store name”， 見(jiàn)圖5。

$sudo scrapy startproject store_name

圖:5 Scrapy框架新建項(xiàng)目

上面的命令在當(dāng)前路徑創(chuàng)建了一個(gè)“store_name”的目錄。項(xiàng)目主目錄下包含的文件/文件夾見(jiàn)圖6。

$sudo ls –lR store_name

圖:6 store_name項(xiàng)目的內(nèi)容

每個(gè)文件/文件夾的概要如下：

scrapy.cfg 是項(xiàng)目配置文件

store_name/ 主目錄下的另一個(gè)文件夾。 這個(gè)目錄包含了項(xiàng)目的python代碼

store_name/items.py 包含了將由蜘蛛爬取的項(xiàng)目

store_name/pipelines.py 是管道文件

store_name/settings.py 是項(xiàng)目的配置文件

store_name/spiders/， 包含了用于爬取的蜘蛛

由于我們要從fatwallet.com上如提取店名，因此我們?nèi)缦滦薷奈募?LCTT 譯注：這里沒(méi)說(shuō)明是哪個(gè)文件，譯者認(rèn)為應(yīng)該是 items.py)。

import scrapy

class StoreNameItem(scrapy.Item):

name = scrapy.Field() # 取出卡片商店的名稱

之后我們要在項(xiàng)目的store_name/spiders/文件夾下寫(xiě)一個(gè)新的蜘蛛。蜘蛛是一個(gè)python類，它包含了下面幾個(gè)必須的屬性：

蜘蛛名 (name )

爬取起點(diǎn)url (start_urls)

包含了從響應(yīng)中提取需要內(nèi)容相應(yīng)的正則表達(dá)式的解析方法。解析方法對(duì)爬蟲(chóng)而言很重要。

我們?cè)趕torename/spiders/目錄下創(chuàng)建了“storename.py”爬蟲(chóng)，并添加如下的代碼來(lái)從fatwallet.com上提取店名。爬蟲(chóng)的輸出寫(xiě)到文件(StoreName.txt)中，見(jiàn)圖7。

from scrapy.selector import Selector

from scrapy.spider import BaseSpider

from scrapy.http import Request

from scrapy.http import FormRequest

import re

class StoreNameItem(BaseSpider):

name = "storename"

allowed_domains = ["fatwallet.com"]

start_urls = ["http://fatwallet.com/cash-back-shopping/"]

def parse(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()

for i in tags:

i = i.encode('utf-8', 'ignore').strip()

store_name = ''

if re.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")

圖:7 爬蟲(chóng)的輸出

注意: 本教程的目的僅用于理解scrapy框架

本文由 LCTT 原創(chuàng)翻譯，Linux中國(guó) 榮譽(yù)推出

總結(jié)

以上是生活随笔為你收集整理的linux 爬虫工具,技术|如何在Ubuntu 14.04 LTS安装网络爬虫工具：Scrapy的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。