欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫框架Scrapy安装使用步骤

程序员文章站 2022-05-25 17:36:47
一、爬虫框架scarpy简介scrapy 是一个快速的高层次的屏幕抓取和网页爬虫框架,爬取网站,从网站页面得到结构化的数据,它有着广泛的用途,从数据挖掘到监测和自动测试,s...

一、爬虫框架scarpy简介
scrapy 是一个快速的高层次的屏幕抓取和网页爬虫框架,爬取网站,从网站页面得到结构化的数据,它有着广泛的用途,从数据挖掘到监测和自动测试,scrapy完全用python实现,完全开源,代码托管在github上,可运行在linux,windows,mac和bsd平台上,基于twisted的异步网络库来处理网络通讯,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片。

二、scrapy安装指南

我们的安装步骤假设你已经安装一下内容:<1>python2.7<2>lxml<3>openssl,我们使用python的包管理工具pip或者easy_install来安装scrapy。
pip的安装方式:

复制代码 代码如下:
pip install scrapy

easy_install的安装方式:
复制代码 代码如下:
easy_install scrapy

三、ubuntu平台上环境配置

1、python的包管理工具
当前的包管理工具链是 easy_install/pip + distribute/setuptools
distutils : python 自带的基本安装工具, 适用于非常简单的应用场景;
setuptools : 针对 distutils 做了大量扩展, 尤其是加入了包依赖机制. 在部分 python 子社区已然是事实上的标准;
distribute : 由于 setuptools 开发进度缓慢, 不支持 python 3, 代码混乱, 一帮程序员另起炉灶, 重构代码, 增加功能, 希望能够取代 setuptools 并被接纳为官方标准库, 他们非常努力, 在很短的时间便让社区接受了 distribute;,setuptools / distribute 都只是扩展了 distutils;
easy_install : setuptools 和 distribute 自带的安装脚本, 也就是一旦 setuptools 或 distribute 安装完毕, easy_install 也便可用. 最大的特点是自动查找 python 官方维护的包源 pypi , 安装第三方 python 包非常方便; 使用:
pip : pip 的目标非常明确 – 取代 easy_install. easy_install 有很多不足: 安装事务是非原子操作, 只支持 svn, 没有提供卸载命令, 安装一系列包时需要写脚本; pip 解决了以上问题, 已俨然成为新的事实标准, virtualenv 与它已经成为一对好搭档;

安装过程:
安装distribute  

复制代码 代码如下:
$ curl -o http://python-distribute.org/distribute_setup.py 
$ python distribute_setup.py

安装pip:
复制代码 代码如下:
$ curl -o https://raw.github.com/pypa/pip/master/contrib/get-pip.py 
$ [sudo] python get-pip.py

2、scrapy的安装
在windows平台上,可以通过包管理工具或者手动下载各种依赖的二进制包:pywin32,twisted,zope.interface,lxml,pyopenssl,在ubuntu9.10以后的版本上,官方推荐不用使用ubuntu提供的python-scrapy包,它们要么太老要么太慢,无法匹配最新的scrapy,解决方案是,使用官方的ubuntu packages,它提供了所有的依赖库,并且对于最新的bug提供持续的更新,稳定性更高,它们持续的从github仓库(master和stable branches)构建,scrapy在ubuntu9.10之后的版本上的安装方法如下:
<1>输入gpg密钥

复制代码 代码如下:
sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 627220e7

<2>创建/etc/apt/sources.list.d/scrapy.list 文件
复制代码 代码如下:
echo 'deb http://archive.scrapy.org/ubuntu scrapy main' | sudo tee /etc/apt/sources.list.d/scrapy.list

<3>更新包列表,安装scrapy版本,其中version用实际的版本代替,如scrapy-0.22
复制代码 代码如下:
sudo apt-get update && sudo apt-get install scrapy-version

3、scrapy依赖库的安装
ubuntu12.04下scrapy依赖库的安装
importerror: no module named w3lib.http

复制代码 代码如下:
pip install w3lib

importerror: no module named twisted
复制代码 代码如下:
pip install twisted

importerror: no module named lxml.html
复制代码 代码如下:
pip install lxml

解决:error: libxml/xmlversion.h: no such file or directory

复制代码 代码如下:
apt-get install libxml2-dev libxslt-dev 
apt-get install python-lxml

解决:importerror: no module named cssselect

复制代码 代码如下:
pip install cssselect 

importerror: no module named openssl
复制代码 代码如下:
pip install pyopenssl 

4、定制自己的爬虫开发
切换到文件目录,开启新的工程

复制代码 代码如下:
scrapy startproject test