基於Python的開源爬蟲軟件Scrapy快速入門

1、安裝Scrapy

#導入GPG密鑰
sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 627220E7

#添加軟件源
echo 'deb http://archive.scrapy.org/ubuntu scrapy main' | sudo tee /etc/apt/sources.list.d/scrapy.list

#更新包列表並安裝scrapy
sudo apt-get update && sudo apt-get install scrapy-0.22

2、Scrapy的組成

3、快速開始Scrapy

運行Scrapy後，只須要重寫一個download就能夠了。

這裏是別人的一個抓取招聘網站信息的例子，基本結構能夠參考。但我運行時，出現不少錯誤，缺乏misc目錄，並且piplines的配置沒有寫出來。

諸君稍候，等我試一下，所有分享給你們。

根據官方的入門例程，快速開始：

首先，根據模版建立一個工程。

scrapy startproject tutorial

裏面的目錄和文件看起來是這樣的：

tutorial/
    scrapy.cfg            # deploy configuration file
    tutorial/             # project's Python module, you'll import your code from here
        __init__.py
        items.py          # project items file
        pipelines.py      # project pipelines file
        settings.py       # project settings file
        spiders/          # a directory where you'll later put your spiders
            __init__.py
            ...

進items.py，改爲這樣：

import scrapy

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

再進dmoz_spider.py，改爲這樣：

import scrapy

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2] + '.html'
        with open(filename, 'wb') as f:
            f.write(response.body)

再運行這個：

scrapy crawl dmoz

可是，出錯了哇！

找了個別的例子參考了下，把裏面的scrapy.Spider改成scrapy.spider.Spider，以下：

class DmozSpider(scrapy.spider.Spider):

基本上就能夠Run起來了。

多是版本修改了，把Spider這個類放到了spider命名空間下了，但是例子沒有改，有點坑人咧！

完整的教程在這裏：http://scrapy-chs.readthedocs.org/zh_CN/latest/intro/tutorial.html