Python爬虫框架Scrapy

安装wget：
下载一个Wget的源码包，http://www.gnu.org/software/wget/
打开终端进入下载目录解压，

1 输入：tar zxvf wget-1.9.1.tar.gz
2 cd 进入到解压的目录
3 输入：./configure
4 输入：make
5 输入：sudo make install

安装完成！

安装Python框架Scrapy：

pip install scrapy

Mac OS系统为10.11或更高版本安装报错：
重新启动Mac OS，按住Command+R进入Recovery模式
打开终端输入:
csrutil disable
重新启动，重新安装scrapy，成功。

教程：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.html

使用scrapy startproject project创建项目报错：

AttributeError: 'module' object has no attribute 'OP_NO_TLSv1_1'

解决方案：降低twisted的版本

sudo pip install twisted==13.1.0

再次运行scrapy startproject project，成功。

爬虫demo地址：https://github.com/scrapy/quotesbot

运行：

scray list
scrapy crawl toscrape-css
scrapy crawl toscrape-css -o quotes.json

建立了scrapy工程之后，会有一个pipeline.py文件，打开修改这个文件

import json        #记得添加这两个库
import codecs

class XXXPipeline(object):                 #XXX就是你建立scrapy工程的名称
        def __init__(self):                #添加一下初始化方法
                self.file = codecs.open('item.json', 'wb', encoding='utf-8')        #item.json指的是你要保存的json格式文件的名称，编码格式一般都是'utf-8'
        def process_item(self, item, spider):
                line = json.dumps(dict(item),ensure_ascii=False) + '\n'        #这一句会将你每次返回的字典抓取出来,“ensure_ascii=False”这一句话很重要，如果是True的话就是我们保存的\u4e2d\u56fd这种格式了
                self.file.write(line)        #写入到文件中
                return item

然后我们要启用Pipeline这个组件使用我们的修改就需要修改setting.py这个文件
setting.py中默认有ITEM_PIPELINES的代码,默认是注释掉的，将注释去掉，注意这个字典中的’XXX.pipelines.XXXPipeline’与你修改的类名一致才会生效，后边的300正常不需要去修改.
scrapy crawl XXX 运行，scrapy会自动保存json格式文件到item.json文件中