Python爬虫框架Scrapy安装使用步骤

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：

pip install scrapy

easy_install的安装方式：

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  

$ curl -o http://python-distribute.org/distribute_setup.py 
$ python distribute_setup.py

安装pip：

$ 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

sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 627220e7

<2>创建/etc/apt/sources.list.d/scrapy.list 文件

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

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

pip install w3lib

importerror: no module named twisted

pip install twisted

importerror: no module named lxml.html

pip install lxml

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

apt-get install libxml2-dev libxslt-dev 
apt-get install python-lxml

解决：importerror: no module named cssselect

pip install cssselect 

importerror: no module named openssl

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

scrapy startproject test