一、爬蟲框架Scarpy簡介
Scrapy 是一個快速的高層次的屏幕抓取和網(wǎng)頁爬蟲框架，爬取網(wǎng)站，從網(wǎng)站頁面得到結(jié)構(gòu)化的數(shù)據(jù)，它有著廣泛的用途，從數(shù)據(jù)挖掘到監(jiān)測和自動測試，Scrapy完全用Python實現(xiàn)，完全開源，代碼托管在Github上，可運行在Linux，Windows，Mac和BSD平臺上，基于Twisted的異步網(wǎng)絡庫來處理網(wǎng)絡通訊，用戶只需要定制開發(fā)幾個模塊就可以輕松的實現(xiàn)一個爬蟲，用來抓取網(wǎng)頁內(nèi)容以及各種圖片。

二、Scrapy安裝指南

我們的安裝步驟假設你已經(jīng)安裝一下內(nèi)容：<1>Python2.7<2>lxml<3>OpenSSL，我們使用Python的包管理工具pip或者easy_install來安裝Scrapy。
pip的安裝方式：

easy_install的安裝方式：

三、Ubuntu平臺上環(huán)境配置

1、python的包管理工具
當前的包管理工具鏈是 easy_install/pip + distribute/setuptools
distutils : Python 自帶的基本安裝工具, 適用于非常簡單的應用場景;
setuptools : 針對 distutils 做了大量擴展, 尤其是加入了包依賴機制. 在部分 Python 子社區(qū)已然是事實上的標準;
distribute : 由于 setuptools 開發(fā)進度緩慢, 不支持 Python 3, 代碼混亂, 一幫程序員另起爐灶, 重構(gòu)代碼, 增加功能, 希望能夠取代 setuptools 并被接納為官方標準庫, 他們非常努力, 在很短的時間便讓社區(qū)接受了 distribute;，setuptools / distribute 都只是擴展了 distutils;
easy_install : setuptools 和 distribute 自帶的安裝腳本, 也就是一旦 setuptools 或 distribute 安裝完畢, easy_install 也便可用. 最大的特點是自動查找 Python 官方維護的包源 PyPI , 安裝第三方 Python 包非常方便; 使用:
pip : pip 的目標非常明確 – 取代 easy_install. easy_install 有很多不足: 安裝事務是非原子操作, 只支持 svn, 沒有提供卸載命令, 安裝一系列包時需要寫腳本; pip 解決了以上問題, 已儼然成為新的事實標準, virtualenv 與它已經(jīng)成為一對好搭檔;

安裝過程：
安裝distribute  

安裝pip：

2、Scrapy的安裝
在Windows平臺上，可以通過包管理工具或者手動下載各種依賴的二進制包：pywin32，Twisted，zope.interface，lxml，pyOpenSSL，在Ubuntu9.10以后的版本上，官方推薦不用使用Ubuntu提供的python-scrapy包，它們要么太老要么太慢，無法匹配最新的Scrapy，解決方案是，使用官方的Ubuntu Packages，它提供了所有的依賴庫，并且對于最新的bug提供持續(xù)的更新，穩(wěn)定性更高，它們持續(xù)的從Github倉庫（master和stable branches）構(gòu)建，Scrapy在Ubuntu9.10之后的版本上的安裝方法如下：
<1>輸入GPG密鑰

<2>創(chuàng)建/etc/apt/sources.list.d/scrapy.list 文件

<3>更新包列表，安裝scrapy版本，其中VERSION用實際的版本代替，如scrapy-0.22

3、Scrapy依賴庫的安裝
ubuntu12.04下scrapy依賴庫的安裝
ImportError: No module named w3lib.http

ImportError: No module named twisted

ImportError: No module named lxml.html

解決：error: libxml/xmlversion.h: No such file or directory

解決：ImportError: No module named cssselect

ImportError: No module named OpenSSL

4、定制自己的爬蟲開發(fā)
切換到文件目錄，開啟新的工程

 

最新評論