Go语言视频零基础入门到精通

admin

python3环境安装Scrapy爬虫框架过程
1. 安装wheel
pip install wheel

安装检查：

2. 安装lxml    pip install lxml-4.2.1-cp36-cp36m-win_amd64.whl
去https://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml 下载对应的Python版本

选择对于的版本进行下载：cp36代表的是Python版本是多少，这里我的版本是python36，操作系统是win64位的，所以我下载文件
lxml-4.2.1-cp36-cp36m-win_amd64.whl
下载下来的Python36 lxml 版本

在DOS下切换到下载的目录下(cd D:\soft\Scrapy环境搭建)
执行：pip install lxml-4.2.1-cp36-cp36m-win_amd64.whl

3. 安装zope.interface
到官方网站https://pypi.python.org/pypi/zope.interface#downloads下载对应版本的wheel文件,如果没有登录，需要登录。


在DOS下切换到下载的目录下(cd D:\soft\Scrapy环境搭建)。
执行：pip install zope.interface-4.5.0-cp36-cp36m-win_amd64.whl

4. 安装pyOpenSSL
官方网站下载wheel文件，https://pypi.python.org/pypi/pyOpenSSL#downloads

下载pyOpenSSL-17.5.0-py2.py3-none-any.whl

在DOS下切换到下载的目录下(cd D:\soft\Scrapy环境搭建)。
执行：pip install pyOpenSSL-17.5.0-py2.py3-none-any.whl

5. 安装Twisted
同理，http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载wheel文件，利用pip安装即可。
如Python 3.6版本，Windows 64位系统，下载
Twisted-17.9.0-cp36-cp36m-win_amd64.whl，然后pip安装。

在DOS下切换到下载的目录下
执行：pip install Twisted-17.9.0-cp36-cp36m-win_amd64.whl

6. 安装pywin32
从官方网站 https://sourceforge.net/projects/pywin32/files/pywin32/Build%20220/ 下载对应版本的安装包安装。  

下载

安装：

在安装时会出现提示python3.6-32在注册表中不存在。
处理windos64位下python3.6安装pywin32的问题的方法
方法一
这个报的错是因为注册表问题，于是百度到下面一段代码

这段代码执行以后可以自动将py3.6安装目录直接添加进注册表，检查了下注册表，的确出现了。
  
第一步按“win+R”或者点击开始菜单，找到运行，在运行输入框里面输入“regedit”，如下图所示：

在HKEY-CURRENT_USER–Software–Python–PythonCore–会发现3.6-32文件夹

方法二： 把注册表3.6导出，名称另存为3.6-32，再导入注册表，重启电脑即可。

处理完之后，就可以安装pywin32-220.win-amd64-py3.6

7. 安装Scrapy   pip install Scrapy
最后安装Scrapy即可，依然使用pip，命令如下：

Scrapy 安装成功验证

制作 Scrapy 爬虫一共需要4步：

新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
明确目标 （编写items.py）：明确你想要抓取的目标
制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
存储内容 （pipelines.py）：设计管道存储爬取内容

步骤：
一. 新建项目(scrapy startproject)
1. 新建一个文件夹存放scrapy项目（D:\爬虫_script\scrapy_project）。

2.从dos下进入到该目录下

3.新建一个新的爬虫项目：scrapy startproject mySpiter


下面来简单介绍一下各个主要文件的作用：
scrapy.cfg ：项目的配置文件
mySpider/ ：项目的Python模块，将会从这里引用代码
mySpider/items.py ：项目的目标文件
mySpider/pipelines.py ：项目的管道文件
mySpider/settings.py ：项目的设置文件
mySpider/spiders/ ：存储爬虫代码目录
二、明确目标(mySpider/items.py)
我们打算抓取：http://www.itcast.cn/channel/teacher.sHTML 网站里的所有讲师的姓名、职称和个人信息。
打开mySpider目录下的items.py
Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。
接下来，创建一个ItcastItem 类，和构建item模型（model）。
import scrapy
class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    level = scrapy.Field()
    info = scrapy.Field()
三、制作爬虫 （spiders/itcastSpider.py）
爬虫功能要分两步：
1. 爬数据

在当前目录下输入命令，将在

1. mySpider/spider

复制代码

目录下创建一个名为

1. itcast

复制代码

的爬虫，并指定爬取域的范围：
打开 mySpider/spider目录里的 itcast.py，默认增加了下列代码:

1. [code]scrapy genspider itcast "itcast.cn"

复制代码

[/code]

1. import[code] scrapy

复制代码

[/code]

1. [code]

复制代码

[/code]

1. class ItcastSpider(scrapy.Spider):[code]

复制代码

[/code]

1. [code]    name =

复制代码

"itcast"

1. [/code]

复制代码

1. [code]    allowed_domains = [

复制代码

"itcast.cn"

1. ]

复制代码

[/code]

1. [code]    start_urls = (

复制代码

[/code]

1. [code]        

复制代码

"http://www.itcast.cn/"

1. ,

复制代码

[/code]

1. [code]    )

复制代码

[/code]

1. [code]

复制代码

[/code]

1. [code]   

复制代码

def parse(self, response):

1. [/code]

复制代码

1. [code]        

复制代码

pass

1. [/code]

复制代码

其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

1. name = ""

复制代码

：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

1. allow_domains = []

复制代码

是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

1. start_urls = ()

复制代码

：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

1. parse(self, response)

复制代码

：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：


负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
生成需要下一页的URL请求。

将start_urls的值修改为需要爬取的第一个url

1. [code]start_urls = (

复制代码

"http://www.itcast.cn/channel/teacher.shtml"

1. ,)

复制代码

[/code]
修改parse()方法

1. def parse(self, response):[code]

复制代码

[/code]

1. [code]    filename =

复制代码

"teacher.html"

1. [/code]

复制代码

1. [code]    open(filename,

复制代码

"w"

1. ).write(response.body)

复制代码

[/code]
然后运行一下看看，在mySpider目录下执行：

1. [code]scrapy crawl itcast

复制代码

[/code]
是的，就是 itcast，看上面代码，它是 ItcastSpider 类的 name 属性，也就是使用

1. scrapy genspider

复制代码

命令的唯一爬虫名。
运行之后，如果打印的日志出现

1. [scrapy] INFO: Spider closed (finished)

复制代码

，代表执行完成。 之后当前文件夹中就出现了一个 teacher.html 文件，里面就是我们刚刚要爬取的网页的全部源代码信息。
2. 取数据

爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

1. <div class="li_txt">[code]

复制代码

[/code]

1. [code]   

复制代码

<h3>

1.   xxx  

复制代码

</h3>

1. [/code]

复制代码

1. [code]   

复制代码

<h4>

1. xxxxx

复制代码

</h4>

1. [/code]

复制代码

1. [code]   

复制代码

<p>

1. xxxxxxxx

复制代码

</p>[/code]
保存数据
scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：

1. # json格式，默认为Unicode编码[code]

复制代码

[/code]

1. [code]scrapy crawl itcast -o teachers.json

复制代码

复制代码

[/code]

1. # json lines格式，默认为Unicode编码[code]

复制代码

[/code]

1. [code]scrapy crawl itcast -o teachers.jsonl

复制代码

复制代码

[/code]

1. # csv 逗号表达式，可用Excel打开[code]

复制代码

[/code]

1. [code]scrapy crawl itcast -o teachers.csv

复制代码

复制代码

[/code]

1. # xml格式[code]

复制代码

[/code]

1. [code]scrapy crawl itcast -o teachers.xml

复制代码

[/code]

复制代码