Scrapy安装及demo测试笔记

原创 2016年09月01日 16:34:00
 

Scrapy安装及demo测试笔记

一、环境搭建

1. 安装scrapy:pip install scrapy

2.安装:PyWin32,可以从网上载已编译好的安装包:http://www.lfd.uci.edu/%7Egohlke/pythonlibs/#pywin32

安装完之后会报如下错误

解决办法,把以下两个文件拷贝到C:\Windows\System32目录下

二、创建scrapy工程(在此用网上别人提供的例子)

1.cmd的方式进到某个指定目录(d:/tmp/)下执行:scrapy startproject myscrapy,命令执行完之后,生成的目录结构如下

2.设置items

  1. # -*- coding: utf-8 -*-
  2. # Define here the models for your scraped items
  3. #
  4. # See documentation in:
  5. # http://doc.scrapy.org/en/latest/topics/items.html
  6. import scrapy
  7. class MyscrapyItem(scrapy.Item):
  8. news_title = scrapy.Field() #南邮新闻标题
  9. news_date = scrapy.Field()  #南邮新闻时间
  10. news_url = scrapy.Field()   #南邮新闻的详细链接

3.编写 spider

  1. # -*- coding: utf-8 -*-
  2. import scrapy
  3. from myscrapy.items import MyscrapyItem
  4. import logging
  5. class myscrapySpider(scrapy.Spider):
  6. name = "myscrapy"
  7. allowed_domains = ["njupt.edu.cn"]
  8. start_urls = [
  9. "http://news.njupt.edu.cn/s/222/t/1100/p/1/c/6866/i/1/list.htm",
  10. ]
  11. def parse(self, response):
  12. news_page_num = 14
  13. page_num = 386
  14. if response.status == 200:
  15. for i in range(2,page_num+1):
  16. for j in range(1,news_page_num+1):
  17. item = MyscrapyItem()
  18. item['news_url'],item['news_title'],item['news_date'] = response.xpath(
  19. "//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/font/text()"
  20. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//td[@class='postTime']/text()"
  21. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/@href").extract()
  22. yield item
  23. next_page_url = "http://news.njupt.edu.cn/s/222/t/1100/p/1/c/6866/i/"+str(i)+"/list.htm"
  24. yield scrapy.Request(next_page_url,callback=self.parse_news)
  25. def parse_news(self, response):
  26. news_page_num = 14
  27. if response.status == 200:
  28. for j in range(1,news_page_num+1):
  29. item = MyscrapyItem()
  30. item['news_url'],item['news_title'],item['news_date'] = response.xpath(
  31. "//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/font/text()"
  32. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//td[@class='postTime']/text()"
  33. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/@href").extract()
  34. yield item

4.编写pipelines

  1. # -*- coding: utf-8 -*-
  2. # Define your item pipelines here
  3. #
  4. # Don't forget to add your pipeline to the ITEM_PIPELINES setting
  5. # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
  6. import json
  7. class MyscrapyPipeline(object):
  8. def __init__(self):
  9. self.file = open('myscrapy.txt',mode='wb')
  10. def process_item(self, item, spider):
  11. self.file.write(item['news_title'].encode("GBK"))
  12. self.file.write("\n")
  13. self.file.write(item['news_date'].encode("GBK"))
  14. self.file.write("\n")
  15. self.file.write(item['news_url'].encode("GBK"))
  16. self.file.write("\n")
  17. return item

5.编写settings.py

  1. # -*- coding: utf-8 -*-
  2. # Scrapy settings for myscrapy project
  3. #
  4. # For simplicity, this file contains only settings considered important or
  5. # commonly used. You can find more settings consulting the documentation:
  6. #
  7. #     http://doc.scrapy.org/en/latest/topics/settings.html
  8. #     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
  9. #     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
  10. BOT_NAME = 'myscrapy'
  11. SPIDER_MODULES = ['myscrapy.spiders']
  12. NEWSPIDER_MODULE = 'myscrapy.spiders'
  13. # Crawl responsibly by identifying yourself (and your website) on the user-agent
  14. #USER_AGENT = 'myscrapy (+http://www.yourdomain.com)'
  15. # Obey robots.txt rules
  16. ROBOTSTXT_OBEY = True
  17. # Configure maximum concurrent requests performed by Scrapy (default: 16)
  18. #CONCURRENT_REQUESTS = 32
  19. # Configure a delay for requests for the same website (default: 0)
  20. # See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
  21. # See also autothrottle settings and docs
  22. #DOWNLOAD_DELAY = 3
  23. # The download delay setting will honor only one of:
  24. #CONCURRENT_REQUESTS_PER_DOMAIN = 16
  25. #CONCURRENT_REQUESTS_PER_IP = 16
  26. # Disable cookies (enabled by default)
  27. #COOKIES_ENABLED = False
  28. # Disable Telnet Console (enabled by default)
  29. #TELNETCONSOLE_ENABLED = False
  30. # Override the default request headers:
  31. #DEFAULT_REQUEST_HEADERS = {
  32. #   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  33. #   'Accept-Language': 'en',
  34. #}
  35. # Enable or disable spider middlewares
  36. # See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
  37. #SPIDER_MIDDLEWARES = {
  38. #    'myscrapy.middlewares.MyCustomSpiderMiddleware': 543,
  39. #}
  40. # Enable or disable downloader middlewares
  41. # See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
  42. #DOWNLOADER_MIDDLEWARES = {
  43. #    'myscrapy.middlewares.MyCustomDownloaderMiddleware': 543,
  44. #}
  45. # Enable or disable extensions
  46. # See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
  47. #EXTENSIONS = {
  48. #    'scrapy.extensions.telnet.TelnetConsole': None,
  49. #}
  50. # Configure item pipelines
  51. # See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
  52. ITEM_PIPELINES = {
  53. 'myscrapy.pipelines.MyscrapyPipeline': 1,
  54. }
  55. # Enable and configure the AutoThrottle extension (disabled by default)
  56. # See http://doc.scrapy.org/en/latest/topics/autothrottle.html
  57. #AUTOTHROTTLE_ENABLED = True
  58. # The initial download delay
  59. #AUTOTHROTTLE_START_DELAY = 5
  60. # The maximum download delay to be set in case of high latencies
  61. #AUTOTHROTTLE_MAX_DELAY = 60
  62. # The average number of requests Scrapy should be sending in parallel to
  63. # each remote server
  64. #AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
  65. # Enable showing throttling stats for every response received:
  66. #AUTOTHROTTLE_DEBUG = False
  67. # Enable and configure HTTP caching (disabled by default)
  68. # See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
  69. #HTTPCACHE_ENABLED = True
  70. #HTTPCACHE_EXPIRATION_SECS = 0
  71. #HTTPCACHE_DIR = 'httpcache'
  72. #HTTPCACHE_IGNORE_HTTP_CODES = []
  73. #HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

6.进到D:\tmp\myscrapy\myscrapy\spiders启动爬虫并查看结果:scrapy crawl myscrapy

Scrapy安装及demo测试笔记

原创 2016年09月01日 16:34:00
 

Scrapy安装及demo测试笔记

一、环境搭建

1. 安装scrapy:pip install scrapy

2.安装:PyWin32,可以从网上载已编译好的安装包:http://www.lfd.uci.edu/%7Egohlke/pythonlibs/#pywin32

安装完之后会报如下错误

解决办法,把以下两个文件拷贝到C:\Windows\System32目录下

二、创建scrapy工程(在此用网上别人提供的例子)

1.cmd的方式进到某个指定目录(d:/tmp/)下执行:scrapy startproject myscrapy,命令执行完之后,生成的目录结构如下

2.设置items

  1. # -*- coding: utf-8 -*-
  2. # Define here the models for your scraped items
  3. #
  4. # See documentation in:
  5. # http://doc.scrapy.org/en/latest/topics/items.html
  6. import scrapy
  7. class MyscrapyItem(scrapy.Item):
  8. news_title = scrapy.Field() #南邮新闻标题
  9. news_date = scrapy.Field()  #南邮新闻时间
  10. news_url = scrapy.Field()   #南邮新闻的详细链接

3.编写 spider

  1. # -*- coding: utf-8 -*-
  2. import scrapy
  3. from myscrapy.items import MyscrapyItem
  4. import logging
  5. class myscrapySpider(scrapy.Spider):
  6. name = "myscrapy"
  7. allowed_domains = ["njupt.edu.cn"]
  8. start_urls = [
  9. "http://news.njupt.edu.cn/s/222/t/1100/p/1/c/6866/i/1/list.htm",
  10. ]
  11. def parse(self, response):
  12. news_page_num = 14
  13. page_num = 386
  14. if response.status == 200:
  15. for i in range(2,page_num+1):
  16. for j in range(1,news_page_num+1):
  17. item = MyscrapyItem()
  18. item['news_url'],item['news_title'],item['news_date'] = response.xpath(
  19. "//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/font/text()"
  20. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//td[@class='postTime']/text()"
  21. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/@href").extract()
  22. yield item
  23. next_page_url = "http://news.njupt.edu.cn/s/222/t/1100/p/1/c/6866/i/"+str(i)+"/list.htm"
  24. yield scrapy.Request(next_page_url,callback=self.parse_news)
  25. def parse_news(self, response):
  26. news_page_num = 14
  27. if response.status == 200:
  28. for j in range(1,news_page_num+1):
  29. item = MyscrapyItem()
  30. item['news_url'],item['news_title'],item['news_date'] = response.xpath(
  31. "//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/font/text()"
  32. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//td[@class='postTime']/text()"
  33. "|//div[@id='newslist']/table[1]/tr["+str(j)+"]//a/@href").extract()
  34. yield item

4.编写pipelines

  1. # -*- coding: utf-8 -*-
  2. # Define your item pipelines here
  3. #
  4. # Don't forget to add your pipeline to the ITEM_PIPELINES setting
  5. # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
  6. import json
  7. class MyscrapyPipeline(object):
  8. def __init__(self):
  9. self.file = open('myscrapy.txt',mode='wb')
  10. def process_item(self, item, spider):
  11. self.file.write(item['news_title'].encode("GBK"))
  12. self.file.write("\n")
  13. self.file.write(item['news_date'].encode("GBK"))
  14. self.file.write("\n")
  15. self.file.write(item['news_url'].encode("GBK"))
  16. self.file.write("\n")
  17. return item

5.编写settings.py

  1. # -*- coding: utf-8 -*-
  2. # Scrapy settings for myscrapy project
  3. #
  4. # For simplicity, this file contains only settings considered important or
  5. # commonly used. You can find more settings consulting the documentation:
  6. #
  7. #     http://doc.scrapy.org/en/latest/topics/settings.html
  8. #     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
  9. #     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
  10. BOT_NAME = 'myscrapy'
  11. SPIDER_MODULES = ['myscrapy.spiders']
  12. NEWSPIDER_MODULE = 'myscrapy.spiders'
  13. # Crawl responsibly by identifying yourself (and your website) on the user-agent
  14. #USER_AGENT = 'myscrapy (+http://www.yourdomain.com)'
  15. # Obey robots.txt rules
  16. ROBOTSTXT_OBEY = True
  17. # Configure maximum concurrent requests performed by Scrapy (default: 16)
  18. #CONCURRENT_REQUESTS = 32
  19. # Configure a delay for requests for the same website (default: 0)
  20. # See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
  21. # See also autothrottle settings and docs
  22. #DOWNLOAD_DELAY = 3
  23. # The download delay setting will honor only one of:
  24. #CONCURRENT_REQUESTS_PER_DOMAIN = 16
  25. #CONCURRENT_REQUESTS_PER_IP = 16
  26. # Disable cookies (enabled by default)
  27. #COOKIES_ENABLED = False
  28. # Disable Telnet Console (enabled by default)
  29. #TELNETCONSOLE_ENABLED = False
  30. # Override the default request headers:
  31. #DEFAULT_REQUEST_HEADERS = {
  32. #   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  33. #   'Accept-Language': 'en',
  34. #}
  35. # Enable or disable spider middlewares
  36. # See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
  37. #SPIDER_MIDDLEWARES = {
  38. #    'myscrapy.middlewares.MyCustomSpiderMiddleware': 543,
  39. #}
  40. # Enable or disable downloader middlewares
  41. # See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
  42. #DOWNLOADER_MIDDLEWARES = {
  43. #    'myscrapy.middlewares.MyCustomDownloaderMiddleware': 543,
  44. #}
  45. # Enable or disable extensions
  46. # See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
  47. #EXTENSIONS = {
  48. #    'scrapy.extensions.telnet.TelnetConsole': None,
  49. #}
  50. # Configure item pipelines
  51. # See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
  52. ITEM_PIPELINES = {
  53. 'myscrapy.pipelines.MyscrapyPipeline': 1,
  54. }
  55. # Enable and configure the AutoThrottle extension (disabled by default)
  56. # See http://doc.scrapy.org/en/latest/topics/autothrottle.html
  57. #AUTOTHROTTLE_ENABLED = True
  58. # The initial download delay
  59. #AUTOTHROTTLE_START_DELAY = 5
  60. # The maximum download delay to be set in case of high latencies
  61. #AUTOTHROTTLE_MAX_DELAY = 60
  62. # The average number of requests Scrapy should be sending in parallel to
  63. # each remote server
  64. #AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
  65. # Enable showing throttling stats for every response received:
  66. #AUTOTHROTTLE_DEBUG = False
  67. # Enable and configure HTTP caching (disabled by default)
  68. # See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
  69. #HTTPCACHE_ENABLED = True
  70. #HTTPCACHE_EXPIRATION_SECS = 0
  71. #HTTPCACHE_DIR = 'httpcache'
  72. #HTTPCACHE_IGNORE_HTTP_CODES = []
  73. #HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

6.进到D:\tmp\myscrapy\myscrapy\spiders启动爬虫并查看结果:scrapy crawl myscrapy

【转载】Scrapy安装及demo测试笔记的更多相关文章

  1. red5研究(一):下载,工程建立、oflaDemo安装、demo测试

    一.red5下载.添加工程到myeclipse 1,从官网上下载red51.01版本(我下载的是red51.0的版本),下载链接http://www.red5.org/downloads/red5/1 ...

  2. hue安装及基本测试-笔记

    #################################################################################################### ...

  3. c#实例化继承类,必须对被继承类的程序集做引用 .net core Redis分布式缓存客户端实现逻辑分析及示例demo 数据库笔记之索引和事务 centos 7下安装python 3.6笔记 你大波哥~ C#开源框架(转载) JSON C# Class Generator ---由json字符串生成C#实体类的工具

    c#实例化继承类,必须对被继承类的程序集做引用   0x00 问题 类型“Model.NewModel”在未被引用的程序集中定义.必须添加对程序集“Model, Version=1.0.0.0, Cu ...

  4. Python、pip和scrapy的安装——Python爬虫学习笔记1

    Python作为爬虫语言非常受欢迎,近期项目需要,很是学习了一番Python,在此记录学习过程:首先因为是初学,而且当时要求很快速的出demo,所以首先想到的是框架,一番查找选用了Python界大名鼎 ...

  5. Python3 Scrapy 安装方法

    Python3 Scrapy 安装方法 (一脸辛酸泪) 写在前面 最近在学习爬虫,在熟悉了Python语言和BeautifulSoup4后打算下个爬虫框架试试. 没想到啊,这坑太深了... 看了看相关 ...

  6. 02 Linux 下安装JDK并测试开发“Hello World!”

    测试环境 主机系统:Win7 64位 虚拟机:VMware® Workstation 11.1.0 虚拟机系统:CentOS 6.5 64位   Kernel 2.6.32-431.e16.x86_6 ...

  7. Python实用工具包Scrapy安装教程

       对于想用每个想用Python开发网络爬虫的开发者来说,Scrapy无疑是一个极好的开源工具.今天安装之后觉得Scrapy的安装确实不易啊.所以在此博文一篇,往后来着少走弯路. 废话不多说了,如果 ...

  8. Chapter 2. OpenSSL的安装和配置学习笔记

    Chapter 2. OpenSSL的安装和配置学习笔记 2.1 在linux上面安装OpenSSL我还是做点No paper事情比较在行,正好和老师的课程接轨一下.以前尝试过在Windows上面安装 ...

  9. 中标麒麟6.0_ICE3.4.2编译+demo测试(CPP)

    (菜鸟版)确保 gcc版本4.4.6(其他版本未测试),4.8不行 一.降级GCC到4.4.6 注意:gcc g++ c++命令都为4.4.6(可用gcc -v; g++ -v; c++ -v 命令查 ...

随机推荐

  1. IDEA查看代码最近修改人及日期

    如图,行号上右键,点击Annotate.即可查看

  2. Oracle连接Navicat Premium遇到的问题

      ORA-28040: 没有匹配的验证协议. 通过查找资料找到了好的解决方案.可以不需要到官网上下载新的驱动来解决问题.    方法:在Oracle的安装路径下找到sqlnet.ora文件.(我的安 ...

  3. 【范式与函数依赖】3NF与BCNF的区别

    *本文中码指代候选码,主属性为构成码的属性. 先简要引入几个概念 图1 图2 单拿出来我认为不是很好理解的3NF和BCNF详细的说说. 书上写了,BCNF是完善后的3NF.从图2中显然得出,1-3NF ...

  4. ZJNU 2133 - 认亲大会

    将辈分差距转为数字 例如 A 是 B son A=B-1 A 是 B grandfather A=B+2然后编号1数字设置为0,建图bfs 最后搜索编号2到100是否存在>0的数即可 /* Wr ...

  5. ⼩程序中⽀持es7的async语法

    ⼩程序中⽀持es7的async语法 es7的 async 号称是解决回调的最终⽅案 在⼩程序的开发⼯具中,勾选 es6转es5语法 下载 facebook 的 regenerator 库中的 rege ...

  6. Python笔记_第一篇_面向过程_第一部分_5.Python数据类型之字典类型(dict)

    字典!在Python中字典是另一种可变容器模型,可以存储任意类型的对象.是Python存储数据类型的最高级(maybe). 特点:1. 字典的存储方式和其他类型数据略有不同,是通过键(key)和值(v ...

  7. Matlab高级教程_第一篇:Matlab基础知识提炼_01

    第一篇:Matlab基础知识提炼: 这一篇主要用系统和提炼性的语言对Matlab基础知识进行总结,主要适用于有语言基础的学习者.尽量不讲废话. 第一部分:Matlab是什么? 1 Matlab是Mat ...

  8. MFC的cstring判断是否存在中文字符

    bool IsChinese(CString Cstr) { int nLen = Cstr.GetLength(); unsigned char ch1, ch2; for (int i = 0; ...

  9. Qt的窗口如何显示在spi屏幕上

    问题:我们可以将qt移植到H3上,但是如果要将窗口通过spi屏进行显示应该怎么做呢,和framebuffer又有什么关系? 这里只说一下qt在spi屏上显示的技术原理,具体的实现还需要自己努力. 一. ...

  10. zabbix数据库占用磁盘空间较大的处理方法

    du -h /* |sort -nr  使用此命令一步步排查发现/var/lib/mysql/zabbix/这个目录占用磁盘空间较大 发现history_log.ibd这个文件最大,达到了38G,此文 ...