python学习以及scrapy-老鄢博客

python学习以及scrapy

发布时间：2017-04-20 11:15:44 作者：admin 阅读：995次

https://blog.csdn.net/aaronjny/article/details/73603727

https://github.com/AaronJny/spider_for_meizitu

http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html

https://blog.csdn.net/u012375924/article/details/51244485

https://www.cnblogs.com/jhcelue/p/7401628.html

http://docs.jumpserver.org/zh/docs/step_by_step.html

[root@web_dev yansiyu]# history|grep wget

981 yum -y install wget sqlite-devel xz gcc automake zlib-devel openssl-devel epel-release git
982 yum install gcc libffi-devel openssl-devel libxml2 libxslt-devel libxml2-devel python-devel wget sqlite-devel -y
985 wget https://www.python.org/ftp/python/2.7.11/Python-2.7.11.tgz
1019 wget https://bootstrap.pypa.io/ez_setup.py
1044 wget https://pypi.io/packages/source/s/setuptools/setuptools-33.1.1.zip
1046 wget https://bootstrap.pypa.io/get-pip.py
1052 wget https://files.pythonhosted.org/packages/e8/5d/98f56e274bdf17f2e0d9016d1788ca80d26d8987dcd5e1d9416d86ee0625/lxml-4.2.1.tar.gz
1061 wget https://pypi.python.org/packages/2b/1f/9f1769bfd9d25547dc7f98e5273c638d379f1b2ef368a8b270de675fe714/Twisted-16.1.1.tar.bz2#md5=266a085f5ce3fbc060818bd00bd6a888

在centos6下，默认是python2.6,所以要先升级python,这里用python2.7.11。

准备环境
安装python2.7.11
#下载python.2.7.11
wget https://www.python.org/ftp/python/2.7.11/Python-2.7.11.tgz
#解压并安装
tar zxvf Python-2.7.11.tgz
cd Python-2.7.11
./configure --prefix=/opt/python27 --enable-load --enable-sqlite-extensions --enable-shared
make
make install
#替换成2.7.11版本
mv /usr/bin/python /usr/bin/python2.6.6
ln -s /opt/python27/bin/python2.7 /usr/bin/python
#更新下yum的配置
sed -i 's$#!/usr/bin/python$#!/usr/bin/python2.6$g' /usr/bin/yum
#默认可能找不到libpython2.7.so.1.0，链下
ln -s /opt/python27/lib/libpython2.7.so.1.0 /usr/lib64/
安装easy_install
wget https://bootstrap.pypa.io/ez_setup.py
python ez_setup.py
ln -s /opt/python27/bin/easy_install /usr/bin/easy_install
安装pip

python get-pip.py
easy_install pip
ln -s /opt/python27/bin/pip /usr/bin/pip
安装 lxml
easy_install lxml
安装Twisted
easy_install twisted
如果失败，手动下载安装
wget https://pypi.python.org/packages/2b/1f/9f1769bfd9d25547dc7f98e5273c638d379f1b2ef368a8b270de675fe714/Twisted-16.1.1.tar.bz2#md5=266a085f5ce3fbc060818bd00bd6a888
tar jxvf Twisted-16.1.1.tar.bz2
cd Twisted-16.1.1
python setup.py install

AttributeError: 'module' object has no attribute 'X509_up_ref'

$sudo pip install pyOpenSSL

如果以上都顺利,就开始安装scrapy吧
pip install scrapy
ln -s /opt/python27/bin/scrapy /usr/bin/
整个过程如果遇到问题,就google下.
^_^

爬虫入门http://python.jobbole.com/81332/

爬虫学习http://cuiqingcai.com/4352.html

vim python

http://blog.csdn.net/qq_32306905/article/details/51327463

autocmd FileType python set tabstop=4 | set expandtab | set autoindent

mac scrapy mysql

https://www.oschina.net/question/553899_113210

mac scrapy

http://blog.csdn.net/tangch0516/article/details/51378664

个人觉得掌握简单的爬虫知识非常有用，特别是想要从一些特定网站自动地下载一些资源或者统计一些数据，非常的有用。对于产品经理来说，如果要了解竞争产品、替代产品的价格，可以写一个爬虫脚本从各大电商网站爬取相关的资料，避免人工处理的麻烦。

Python写爬虫可以从简单的Scrapy框架入手。对于Mac OS系统来说，由于系统本身会引用自带的python2.x的库，因此默认安装的包是不能被删除的。如果你使用python3.x可以使用homebrew来安装，但是如果你习惯使用python2.x，那么直接安装在默认路径会出错。

Found existing installation: six 1.4.1
DEPRECATION: Uninstalling a distutils installed project (six) has been deprecated and will be removed in a future version. 
This is due to the fact that uninstalling a distutils project will only partially uninstall the project.
Uninstalling six-1.4.1:
Exception:
Traceback (most recent call last):

原因很简单：Scrapy依赖six库，但是系统的six库比较老，安装scrapy需要卸载之后安装一个新的。但是Mac OS本身也依赖six，导致无法删除，因此没有办法安装Scrapy。

解决的方式是：使用virtualenv来安装。

sudo pip install virtualenv
virtualenv scrapyenv
cd scrapyenv
source bin/activate
pip install Scrapy

安装完成之后，安装如下包：

scapy安装之后的包

好了，可以使用scrapy startproject yourproject开始你的爬虫之旅了。

centos scrapy

[root@iZbp19v5411zjn56un4tkmZ ~]#

yum install gcc libffi-devel python-devel openssl-devel

yum install libxslt-devel

yum install libxml2

pip install lxml

pip install scrapy
[root@iZbp19v5411zjn56un4tkmZ ~]#

转:http://cuiqingcai.com/4352.html

http://cuiqingcai.com/2621.html

http://www.cnblogs.com/wuxl360/p/5567631.html

http://scrapy-chs.readthedocs.io/zh_CN/latest/intro/tutorial.html

http://www.cnblogs.com/wuxl360/p/5567631.html

http://www.thinksaas.cn/ask/question/15095/

http://blog.csdn.net/peerslee/article/details/51489285

我们使用dmoz.org这个网站来作为小抓抓一展身手的对象。

首先先要回答一个问题。

问：把网站装进爬虫里，总共分几步？

答案很简单，四步：

新建项目 (Project)：新建一个新的爬虫项目
明确目标（Items）：明确你想要抓取的目标
制作爬虫（Spider）：制作爬虫开始爬取网页
存储内容（Pipeline）：设计管道存储爬取内容

好的，基本流程既然确定了，那接下来就一步一步的完成就可以了。

1.新建项目（Project）

在空目录下按住Shift键右击，选择“在此处打开命令窗口”，输入一下命令：

	
			scrapy startproject tutorial  
		

其中，tutorial为项目名称。

可以看到将会创建一个tutorial文件夹，目录结构如下：

	
			tutorial/  
		
			    scrapy.cfg  
		
			    tutorial/  
		
			        __init__.py  
		
			        items.py  
		
			        pipelines.py  
		
			        settings.py  
		
			        spiders/  
		
			            __init__.py  
		
			            ...

下面来简单介绍一下各个文件的作用：

scrapy.cfg：项目的配置文件
tutorial/：项目的Python模块，将会从这里引用代码
tutorial/items.py：项目的items文件
tutorial/pipelines.py：项目的pipelines文件
tutorial/settings.py：项目的设置文件
tutorial/spiders/：存储爬虫的目录

2.明确目标（Item）

在Scrapy中，items是用来加载抓取内容的容器，有点像Python中的Dic，也就是字典，但是提供了一些额外的保护减少错误。

一般来说，item可以用scrapy.item.Item类来创建，并且用scrapy.item.Field对象来定义属性（可以理解成类似于ORM的映射关系）。

接下来，我们开始来构建item模型（model）。

首先，我们想要的内容有：

名称（name）
链接（url）
描述（description）

修改tutorial目录下的items.py文件，在原本的class后面添加我们自己的class

因为要抓dmoz.org网站的内容，所以我们可以将其命名为DmozItem：

	
			# Define here the models for your scraped items   
		
			#   
		
			# See documentation in:   
		
			# http://doc.scrapy.org/en/latest/topics/items.html   
		
			from scrapy.item import Item, Field   
		
			class TutorialItem(Item):   
		
			    # define the fields for your item here like:   
		
			    # name = Field()   
		
			    pass   
		
			class DmozItem(Item):   
		
			    title = Field()  
		
			    link = Field()  
		
			    desc = Field()

刚开始看起来可能会有些看不懂，但是定义这些item能让你用其他组件的时候知道你的 items到底是什么。

可以把Item简单的理解成封装好的类对象。

3.制作爬虫（Spider）

制作爬虫，总体分两步：先爬再取。

也就是说，首先你要获取整个网页的所有内容，然后再取出其中对你有用的部分。

3.1爬

Spider是用户自己编写的类，用来从一个域（或域组）中抓取信息。

他们定义了用于下载的URL列表、跟踪链接的方案、解析网页内容的方式，以此来提取items。

要建立一个Spider，你必须用scrapy.spider.BaseSpider创建一个子类，并确定三个强制的属性：

name：爬虫的识别名称，必须是唯一的，在不同的爬虫中你必须定义不同的名字。
start_urls：爬取的URL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。
parse()：解析的方法，调用的时候传入从每一个URL传回的Response对象作为唯一参数，负责解析并匹配抓取的数据(解析为item)，跟踪更多的URL。

这里可以参考宽度爬虫教程中提及的思想来帮助理解，教程传送：[Java] 知乎下巴第5集：使用HttpClient工具包和宽度爬虫。

也就是把Url存储下来并依此为起点逐步扩散开去，抓取所有符合条件的网页Url存储起来继续爬取。

下面我们来写第一只爬虫，命名为dmoz_spider.py，保存在tutorial\spiders目录下。

dmoz_spider.py代码如下：

	
			from scrapy.spider import Spider   
		
			class DmozSpider(Spider):   
		
			    name = "dmoz"   
		
			    allowed_domains = ["dmoz.org"]   
		
			    start_urls = [  
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",   
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"   
		
			    ]  
		
			    def parse(self, response):   
		
			        filename = response.url.split("/")[-2]   
		
			        open(filename, 'wb').write(response.body)

allow_domains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。

从parse函数可以看出，将链接的最后两个地址取出作为文件名进行存储。

然后运行一下看看，在tutorial目录下按住shift右击，在此处打开命令窗口，输入：

	
			scrapy crawl dmoz  
		

运行结果如图：

报错了：

UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)

运行第一个Scrapy项目就报错，真是命运多舛。

应该是出了编码问题，谷歌了一下找到了解决方案：

在python的Lib\site-packages文件夹下新建一个sitecustomize.py：

	
			import sys     
		
			sys.setdefaultencoding('gb2312')

再次运行，OK，问题解决了，看一下结果：

最后一句INFO: Closing spider (finished)表明爬虫已经成功运行并且自行关闭了。

包含 [dmoz]的行，那对应着我们的爬虫运行的结果。

可以看到start_urls中定义的每个URL都有日志行。

还记得我们的start_urls吗？

http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources

因为这些URL是起始页面，所以他们没有引用(referrers)，所以在它们的每行末尾你会看到 (referer: <None>)。

在parse 方法的作用下，两个文件被创建：分别是 Books 和 Resources，这两个文件中有URL的页面内容。

那么在刚刚的电闪雷鸣之中到底发生了什么呢？

首先，Scrapy为爬虫的 start_urls属性中的每个URL创建了一个 scrapy.http.Request 对象，并将爬虫的parse 方法指定为回调函数。

然后，这些 Request被调度并执行，之后通过parse()方法返回scrapy.http.Response对象，并反馈给爬虫。

3.2取

爬取整个网页完毕，接下来的就是的取过程了。

光存储一整个网页还是不够用的。

在基础的爬虫里，这一步可以用正则表达式来抓。

在Scrapy里，使用一种叫做 XPath selectors的机制，它基于 XPath表达式。

如果你想了解更多selectors和其他机制你可以查阅资料：点我点我

这是一些XPath表达式的例子和他们的含义

/html/head/title: 选择HTML文档<head>元素下面的<title> 标签。
/html/head/title/text(): 选择前面提到的<title> 元素下面的文本内容
//td: 选择所有 <td> 元素
//div[@class="mine"]: 选择所有包含 class="mine" 属性的div 标签元素

以上只是几个使用XPath的简单例子，但是实际上XPath非常强大。

可以参照W3C教程：点我点我。

为了方便使用XPaths，Scrapy提供XPathSelector 类，有两种可以选择，HtmlXPathSelector(HTML数据解析)和XmlXPathSelector(XML数据解析)。

必须通过一个 Response 对象对他们进行实例化操作。

你会发现Selector对象展示了文档的节点结构。因此，第一个实例化的selector必与根节点或者是整个目录有关。

在Scrapy里面，Selectors 有四种基础的方法（点击查看API文档）：

xpath()：返回一系列的selectors，每一个select表示一个xpath参数表达式选择的节点
css()：返回一系列的selectors，每一个select表示一个css参数表达式选择的节点
extract()：返回一个unicode字符串，为选中的数据
re()：返回一串一个unicode字符串，为使用正则表达式抓取出来的内容

3.3xpath实验

下面我们在Shell里面尝试一下Selector的用法。

实验的网址：http://www.dmoz.org/Computers/Programming/Languages/Python/Books/

熟悉完了实验的小白鼠，接下来就是用Shell爬取网页了。

进入到项目的顶层目录，也就是第一层tutorial文件夹下，在cmd中输入：

	
			scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/  
		

回车后可以看到如下的内容：

在Shell载入后，你将获得response回应，存储在本地变量 response中。

所以如果你输入response.body，你将会看到response的body部分，也就是抓取到的页面内容：

或者输入response.headers 来查看它的 header部分：

现在就像是一大堆沙子握在手里，里面藏着我们想要的金子，所以下一步，就是用筛子摇两下，把杂质出去，选出关键的内容。

selector就是这样一个筛子。

在旧的版本中，Shell实例化两种selectors，一个是解析HTML的 hxs 变量，一个是解析XML 的 xxs 变量。

而现在的Shell为我们准备好的selector对象，sel，可以根据返回的数据类型自动选择最佳的解析方案(XML or HTML)。

然后我们来捣弄一下！~

要彻底搞清楚这个问题，首先先要知道，抓到的页面到底是个什么样子。

比如，我们要抓取网页的标题，也就是<title>这个标签：

可以输入：

	
			sel.xpath('//title')   
		

结果就是：

这样就能把这个标签取出来了，用extract()和text()还可以进一步做处理。

备注：简单的罗列一下有用的xpath路径表达式：

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

全部的实验结果如下，In[i]表示第i次实验的输入，Out[i]表示第i次结果的输出（建议大家参照：W3C教程）：

	
			In [1]: sel.xpath('//title')   
		
			Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]   
		
			In [2]: sel.xpath('//title').extract()   
		
			Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']   
		
			In [3]: sel.xpath('//title/text()')   
		
			Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]   
		
			In [4]: sel.xpath('//title/text()').extract()   
		
			Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']   
		
			In [5]: sel.xpath('//title/text()').re('(\w+):')   
		
			Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']

当然title这个标签对我们来说没有太多的价值，下面我们就来真正抓取一些有意义的东西。

使用火狐的审查元素我们可以清楚地看到，我们需要的东西如下：

我们可以用如下代码来抓取这个<li>标签：

	
			sel.xpath('//ul/li')   
		

从<li>标签中，可以这样获取网站的描述：

	
			sel.xpath('//ul/li/text()').extract()   
		

可以这样获取网站的标题：

	
			sel.xpath('//ul/li/a/text()').extract()   
		

可以这样获取网站的超链接：

	
			sel.xpath('//ul/li/a/@href').extract()   
		

当然，前面的这些例子是直接获取属性的方法。

我们注意到xpath返回了一个对象列表，

那么我们也可以直接调用这个列表中对象的属性挖掘更深的节点

（参考：Nesting selectors andWorking with relative XPaths in the Selectors）：

sites = sel.xpath('//ul/li') for site in sites: title = site.xpath('a/text()').extract() link = site.xpath('a/@href').extract() desc = site.xpath('text()').extract() print title, link, desc

3.4xpath实战

我们用shell做了这么久的实战，最后我们可以把前面学习到的内容应用到dmoz_spider这个爬虫中。

在原爬虫的parse函数中做如下修改：

	
			from scrapy.spider import Spider   
		
			from scrapy.selector import Selector   
		
			class DmozSpider(Spider):   
		
			    name = "dmoz"   
		
			    allowed_domains = ["dmoz.org"]   
		
			    start_urls = [  
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",   
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"   
		
			    ]  
		
			    def parse(self, response):   
		
			        sel = Selector(response)  
		
			        sites = sel.xpath('//ul/li')   
		
			        for site in sites:   
		
			            title = site.xpath('a/text()').extract()   
		
			            link = site.xpath('a/@href').extract()   
		
			            desc = site.xpath('text()').extract()   
		
			            print title

注意，我们从scrapy.selector中导入了Selector类，并且实例化了一个新的Selector对象。这样我们就可以像Shell中一样操作xpath了。

我们来试着输入一下命令运行爬虫（在tutorial根目录里面）：

scrapy crawl dmoz

运行结果如下：

果然，成功的抓到了所有的标题。但是好像不太对啊，怎么Top，Python这种导航栏也抓取出来了呢？

我们只需要红圈中的内容：

看来是我们的xpath语句有点问题，没有仅仅把我们需要的项目名称抓取出来，也抓了一些无辜的但是xpath语法相同的元素。

审查元素我们发现我们需要的<ul>具有class='directory-url'的属性，

那么只要把xpath语句改成sel.xpath('//ul[@class="directory-url"]/li')即可

将xpath语句做如下调整：

	
			from scrapy.spider import Spider   
		
			from scrapy.selector import Selector   
		
			class DmozSpider(Spider):   
		
			    name = "dmoz"   
		
			    allowed_domains = ["dmoz.org"]   
		
			    start_urls = [  
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",   
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"   
		
			    ]  
		
			    def parse(self, response):   
		
			        sel = Selector(response)  
		
			        sites = sel.xpath('//ul[@class="directory-url"]/li')   
		
			        for site in sites:   
		
			            title = site.xpath('a/text()').extract()   
		
			            link = site.xpath('a/@href').extract()   
		
			            desc = site.xpath('text()').extract()   
		
			            print title

成功抓出了所有的标题，绝对没有滥杀无辜：

3.5使用Item

接下来我们来看一看如何使用Item。

前面我们说过，Item 对象是自定义的python字典，可以使用标准字典语法获取某个属性的值：

	
			>>> item = DmozItem()  
		
			>>> item['title'] = 'Example title'   
		
			>>> item['title']   
		
			'Example title'

作为一只爬虫，Spiders希望能将其抓取的数据存放到Item对象中。为了返回我们抓取数据，spider的最终代码应当是这样:

	
			from scrapy.spider import Spider   
		
			from scrapy.selector import Selector   
		
			from tutorial.items import DmozItem   
		
			class DmozSpider(Spider):   
		
			    name = "dmoz"   
		
			    allowed_domains = ["dmoz.org"]   
		
			    start_urls = [  
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",   
		
			        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"   
		
			    ]  
		
			    def parse(self, response):   
		
			        sel = Selector(response)  
		
			        sites = sel.xpath('//ul[@class="directory-url"]/li')   
		
			        items = []  
		
			        for site in sites:   
		
			            item = DmozItem()  
		
			            item['title'] = site.xpath('a/text()').extract()   
		
			            item['link'] = site.xpath('a/@href').extract()   
		
			            item['desc'] = site.xpath('text()').extract()   
		
			            items.append(item)  
		
			        return items

4.存储内容（Pipeline）

保存信息的最简单的方法是通过Feed exports，主要有四种：JSON，JSON lines，CSV，XML。

我们将结果用最常用的JSON导出，命令如下：

	
			scrapy crawl dmoz -o items.json -t json  
		

-o 后面是导出文件名，-t 后面是导出类型。

然后来看一下导出的结果，用文本编辑器打开json文件即可（为了方便显示，在item中删去了除了title之外的属性）：

因为这个只是一个小型的例子，所以这样简单的处理就可以了。

如果你想用抓取的items做更复杂的事情，你可以写一个 Item Pipeline(条目管道)。

这个我们以后再慢慢玩^_^

如有问题，可以QQ搜索群1028468525加入群聊，欢迎一起研究技术

支付宝

有疑问联系站长，请联系QQ：

上一篇：python redis

下一篇：linux重复文件md5sum awk

转载请注明：python学习以及scrapy 出自老鄢博客 | 欢迎分享

Mr.郭