做一个有产品思维的研发：Scrapy安装

每天10分钟，解决一个研发问题。

如果你想了解我在做什么，请看《做一个有产品思维的研发：课程大纲》传送门：https://www.cnblogs.com/hunttown/p/10490965.html

今天我们说一下Scrapy爬虫：

Scrapy 在 Python 2.7 和 Python 3.3 或者更高版本上运行，他是用纯 Python 编写的，并且依赖于一些关键的 Python 包（其中包括）：

1、lxml ，一个高效的XML和HTML解析器
2、parsel ， 一个基于 lxml 的 HTML / XML 数据提取库
3、w3lib ，一个用于处理URL和网页编码的多用途助手
4、twisted， 一个异步的网络框架
5、cryptography 和 pyOpenSSL ，以处理各种网络级安全需求

Scrapy 经过测试支持的最低版本为：

a. Twisted 14.0
b. lxml 3.4
c. pyOpenSSL 0.14

一、推荐使用Linux安装，大家可以安装一个虚拟机来做

1、VMWare安装CentOS 6.5教程

二、Lniux环境安装完毕以后，还需要安装pip，这个是下面要用到的命令

2、CentOS6.5安装pip教程

三、安装依赖

[MyCentOS6 ~]$ yum install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

四、由于pyphon3在安装pip的时候安装好了，这里我们直接安装scrapy

[MyCentOs6 ~]$ pip install scrapy

五、安装完以后还需要安装一些将来要用到的软件

1、Linux安装simplejson教程

2、Linux下安装pymysql教程

3、Linux下安装jieba教程

4、Linux下安装Gensim教程

5、Linux下安装whl文件

六、创建一个爬虫项目

[MyCentOs6 ~]$ scrapy startproject tutorial

然后在 tutorial / spiders 目录下创建 quotes_spider.py 文件：

import scrapy

class QuotesSpider(scrapy.Spider):
name = "quotes"

def start_requests(self):
urls = [
'http://quotes.toscrape.com/page/1/',
'http://quotes.toscrape.com/page/2/',
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)

def parse(self, response):
page = response.url.split("/")[-2]
filename = 'quotes-%s.html' % page
with open(filename, 'wb') as f:
f.write(response.body)
self.log('Saved file %s' % filename)

上面的 Spider 继承了 scrapy.Spider 并定义了一些属性和方法：
　　a. name：标识爬虫。它在项目中必须是唯一的，也就是说，您不能为不同的 Spider 设置相同的名称。
　　b. start_requests()：必须返回一个可迭代的 Requests（您可以返回一个 request 列表或写一个生成器函数），Spider将开始抓取。后续请求将从这些初始请求中连续生成。
　　c. parse()：被调用来处理 response 的方法， response 由每个 request 下载生成。 response 参数是一个 TextResponse 的实例，它保存页面内容，并具有更多有用的方法来处理它。

 运行爬虫：

[MyCentOS6 ~]$ scrapy crawl quotes

如果你想把数据存储到一个文件中：

[MySentOS6 ~]$ scrapy crawl quotes -o quotes.json

今日总结：

1. 最初的的方式是使用urllib2，读取url解析html，然后通过正则表达式匹配出想要的数据。

2. 现在的Scrapy，Python开发的一个快速、高层次的web抓取框架，用于抓取web站点并从页面中提取结构化的数据，Scrapy的用途非常广泛。