首页 / 操作系统 / Linux / 如何在Ubuntu 14.04 LTS安装网络爬虫工具：Scrapy

这是一款提取网站数据的开源工具。Scrapy框架用Python开发而成，它使抓取工作又快又简单，且可扩展。我们已经在virtual box中创建一台虚拟机（VM）并且在上面安装了Ubuntu 14.04 LTS。

安装 Scrapy

Scrapy依赖于Python、开发库和pip。Python最新的版本已经在Ubuntu上预装了。因此我们在安装Scrapy之前只需安装pip和python开发库就可以了。pip是作为python包索引器easy_install的替代品，用于安装和管理Python包。pip包的安装可见图 1。

1. sudo apt-get install python-pip

图:1 pip安装我们必须要用下面的命令安装python开发库。如果包没有安装那么就会在安装scrapy框架的时候报关于python.h头文件的错误。

1. sudo apt-get install python-dev

图:2 Python 开发库scrapy框架既可从deb包安装也可以从源码安装。在图3中我们用pip（Python 包管理器）安装了deb包了。

1. sudo pip install scrapy

图:3 Scrapy 安装图4中scrapy的成功安装需要一些时间。图:4 成功安装Scrapy框架

使用scrapy框架提取数据

基础教程

我们将用scrapy从fatwallet.com上提取商店名称（卖卡的店）。首先，我们使用下面的命令新建一个scrapy项目“store name”， 见图5。

1. $sudo scrapy startproject store_name

图:5 Scrapy框架新建项目上面的命令在当前路径创建了一个“store_name”的目录。项目主目录下包含的文件/文件夹见图6。

1. $sudo ls –lR store_name

图:6 store_name项目的内容每个文件/文件夹的概要如下：

• scrapy.cfg 是项目配置文件
• store_name/ 主目录下的另一个文件夹。 这个目录包含了项目的python代码
• store_name/items.py 包含了将由蜘蛛爬取的项目
• store_name/pipelines.py 是管道文件
• store_name/settings.py 是项目的配置文件
• store_name/spiders/， 包含了用于爬取的蜘蛛

由于我们要从fatwallet.com上如提取店名，因此我们如下修改文件（LCTT 译注：这里没说明是哪个文件，译者认为应该是 items.py）。

1. import scrapy
2. classStoreNameItem（scrapy.Item）:
3. name = scrapy.Field（）# 取出卡片商店的名称

之后我们要在项目的store_name/spiders/文件夹下写一个新的蜘蛛。蜘蛛是一个python类，它包含了下面几个必须的属性：

1. 蜘蛛名 （name ）
2. 爬取起点url （start_urls）
3. 包含了从响应中提取需要内容相应的正则表达式的解析方法。解析方法对爬虫而言很重要。

我们在storename/spiders/目录下创建了“storename.py”爬虫，并添加如下的代码来从fatwallet.com上提取店名。爬虫的输出写到文件（StoreName.txt）中，见图7。

1. from scrapy.selector importSelector
2. from scrapy.spider importBaseSpider
3. from scrapy.http importRequest
4. from scrapy.http importFormRequest
5. import re
6. classStoreNameItem（BaseSpider）:
7. name ="storename"
8. allowed_domains =["fatwallet.com"]
9. start_urls =["http://fatwallet.com/cash-back-shopping/"]
10. def parse（self,response）:
11. output = open（"StoreName.txt","w"）
12. resp =Selector（response）
13. tags = resp.xpath（"//tr[@class="storeListRow"]|
14. //tr[@class="storeListRow even"]|
15. //tr[@class="storeListRow even last"]|
16. //tr[@class="storeListRow last"]"）.extract（）
17. for i in tags:
18. i = i.encode（"utf-8","ignore"）.strip（）
19. store_name =""
20. if re.search（r"class="storeListStoreName">.*？<",i,re.I|re.S）:
21. store_name = re.search（r"class="storeListStoreName">.*？<",i,re.I|re.S）.group（）
22. store_name = re.search（r">.*？<",store_name,re.I|re.S）.group（）
23. store_name = re.sub（r">","",re.sub（r"<","",store_name,re.I））
24. store_name = re.sub（r"&","&",re.sub（r"&","&",store_name,re.I））
25. #print store_name
26. output.write（store_name+""+" "）

图:7 爬虫的输出注意: 本教程的目的仅用于理解scrapy框架更多Ubuntu相关信息见Ubuntu 专题页面 http://www.linuxidc.com/topicnews.aspx？tid=2本文永久更新链接地址