如何在Ubuntu 14.04 LTS安裝網絡爬蟲工具：Scrapy

這是一款提取網站數據的開源工具。Scrapy框架用Python開發而成，它使抓取工作又快又簡單，且可擴展。我們已經在virtual box中創建一臺虛擬機（VM）并且在上面安裝了Ubuntu 14.04 LTS。

安裝 Scrapy

Scrapy依賴于Python、開發庫和pip。Python最新的版本已經在Ubuntu上預裝了。因此我們在安裝Scrapy之前只需安裝pip和python開發庫就可以了。

pip是作為python包索引器easy_install的替代品，用于安裝和管理Python包。pip包的安裝可見圖 1。

sudo apt-get install python-pip

圖:1 pip安裝

我們必須要用下面的命令安裝python開發庫。如果包沒有安裝那么就會在安裝scrapy框架的時候報關于python.h頭文件的錯誤。

sudo apt-get install python-dev

圖:2 Python 開發庫

scrapy框架既可從deb包安裝也可以從源碼安裝。在圖3中我們用pip（Python 包管理器）安裝了deb包了。

sudo pip install scrapy

圖:3 Scrapy 安裝

圖4中scrapy的成功安裝需要一些時間。

圖:4 成功安裝Scrapy框架

使用scrapy框架提取數據

基礎教程

我們將用scrapy從fatwallet.com上提取商店名稱（賣卡的店）。首先，我們使用下面的命令新建一個scrapy項目“store name”， 見圖5。

$sudo scrapy startproject store_name

圖:5 Scrapy框架新建項目

上面的命令在當前路徑創建了一個“store_name”的目錄。項目主目錄下包含的文件/文件夾見圖6。

$sudo ls –lR store_name

圖:6 store_name項目的內容

每個文件/文件夾的概要如下：

• scrapy.cfg 是項目配置文件
• store_name/ 主目錄下的另一個文件夾。 這個目錄包含了項目的python代碼
• store_name/items.py 包含了將由蜘蛛爬取的項目
• store_name/pipelines.py 是管道文件
• store_name/settings.py 是項目的配置文件
• store_name/spiders/， 包含了用于爬取的蜘蛛

由于我們要從fatwallet.com上如提取店名，因此我們如下修改文件（LCTT 譯注：這里沒說明是哪個文件，譯者認為應該是 items.py）。

import scrapy

class StoreNameItem(scrapy.Item):

   name = scrapy.Field()   #  取出卡片商店的名稱

之后我們要在項目的store_name/spiders/文件夾下寫一個新的蜘蛛。蜘蛛是一個python類，它包含了下面幾個必須的屬性：

1. 蜘蛛名 (name )
2. 爬取起點url (start_urls)
3. 包含了從響應中提取需要內容相應的正則表達式的解析方法。解析方法對爬蟲而言很重要。

我們在storename/spiders/目錄下創建了“storename.py”爬蟲，并添加如下的代碼來從fatwallet.com上提取店名。爬蟲的輸出寫到文件（StoreName.txt）中，見圖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\">.*?<",i,re.I|re.S):
store_name = re.search(r"class=\"storeListStoreName\">.*?<",i,re.I|re.S).group()
store_name = re.search(r">.*?<",store_name,re.I|re.S).group()
store_name = re.sub(r'>',"",re.sub(r'<',"",store_name,re.I))
store_name = re.sub(r'&amp;',"&",re.sub(r'&amp;',"&",store_name,re.I))
#print store_name
output.write(store_name+""+"\n")

圖:7 爬蟲的輸出

注意: 本教程的目的僅用于理解scrapy框架

via: http://linoxide.com/ubuntu-how-to/scrapy-install-ubuntu/

作者：nido 譯者：geekpi 校對：wxy

本文由 LCTT 原創翻譯，Linux中國 榮譽推出