这是一款提取网站数据的开源工具。Scrapy框架用Python开发而成，它使抓取工作又快又简单，且可扩展。我们已经在virtual box中创建一台虚拟机(VM)并且在上面安装了Ubuntu 14.04 LTS。

安装 Scrapy

Scrapy依赖于Python、开发库和pip。Python最新的版本已经在Ubuntu上预装了。因此我们在安装Scrapy之前只需安装pip和python开发库就可以了。

pip是作为python包索引器easy_install的替代品，用于安装和管理Python包。pip包的安装可见图 1。

sudo apt-get install python-pip

图:1 pip安装

我们必须要用下面的命令安装python开发库。如果包没有安装那么就会在安装scrapy框架的时候报关于python.h头文件的错误。

sudo apt-get install python-dev

图:2 Python 开发库

scrapy框架既可从deb包安装也可以从源码安装。在图3中我们用pip(Python 包管理器)安装了deb包了。

sudo pip install scrapy

图:3 Scrapy 安装

图4中scrapy的成功安装需要一些时间。

图:4 成功安装Scrapy框架

使用scrapy框架提取数据

基础教程

我们将用scrapy从fatwallet.com上提取商店名称(卖卡的店)。首先，我们使用下面的命令新建一个scrapy项目“store name”， 见图5。

$sudo scrapy startproject store_name

图:5 Scrapy框架新建项目

上面的命令在当前路径创建了一个“store_name”的目录。项目主目录下包含的文件/文件夹见图6。

$sudo ls –lR store_name

图:6 store_name项目的内容

每个文件/文件夹的概要如下：

scrapy.cfg 是项目配置文件

store_name/ 主目录下的另一个文件夹。 这个目录包含了项目的python代码

store_name/items.py 包含了将由蜘蛛爬取的项目

store_name/pipelines.py 是管道文件

store_name/settings.py 是项目的配置文件

store_name/spiders/， 包含了用于爬取的蜘蛛

由于我们要从fatwallet.com上如提取店名，因此我们如下修改文件(LCTT 译注：这里没说明是哪个文件，译者认为应该是 items.py)。

import scrapy

class StoreNameItem(scrapy.Item):

name = scrapy.Field() # 取出卡片商店的名称

之后我们要在项目的store_name/spiders/文件夹下写一个新的蜘蛛。蜘蛛是一个python类，它包含了下面几个必须的属性：

蜘蛛名 (name )

爬取起点url (start_urls)

包含了从响应中提取需要内容相应的正则表达式的解析方法。解析方法对爬虫而言很重要。

我们在storename/spiders/目录下创建了“storename.py”爬虫，并添加如下的代码来从fatwallet.com上提取店名。爬虫的输出写到文件(StoreName.txt)中，见图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")

图:7 爬虫的输出

注意: 本教程的目的仅用于理解scrapy框架

本文由 LCTT 原创翻译，Linux中国 荣誉推出