「Python3 爬虫标准化项目」环境搭建与爬虫框架Scrapy入门

末蓝、 2022-10-27 12:15 228阅读 0赞

### 文章目录 ###

*  内容介绍
 *  环境搭建
 *   *  window系统环境
     *  Linux系统环境
 *  Scrapy 爬虫框架
 *   *  数据采集流程概述

# 内容介绍 #

开发环境为 Python3.6，Scrapy 版本 2.4.x ，Gerapy 版本 0.9.x ，爬虫项目全部内容索引目录

[看懂Python爬虫框架，所见即所得一切皆有可能][Python]

本系列内容做为标准化爬虫的引导，为广大的爬虫工程师分享爬虫工作中的经验，用作者自身的经验去理解Python3在进行爬虫工作中的经验。

# 环境搭建 #

## window系统环境 ##

**安装Anaconda**

Anaconda指的是一个开源的Python发行版本，其包含了Python、conda等N多个科学包及其依赖项。简单理解为一个python的傻瓜捆绑包。

[Anaconda下载地址][Anaconda]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]  
因为作者穷买不起苹果系列的电脑，这里以win系统安装举例（Linux必须带图形界面的操作系统才可以，比如Ubuntu系统）

打开安装程序之后一直点下一步。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]  
安装到最后点击关闭就可以了，然后打开命令行CMD，显示下图证明安装成功。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]  
**安装Pycharm**

[社区版&专业版 Pycharm 下载地址][Pycharm]

下载后是压缩包根据自己的情况进行选择。

启动程序在图示的位置启动即可。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]  
**安装Scrapy**

pip install scrapy==2.4.0

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 4]

## Linux系统环境 ##

以腾讯云 Centos 7.x 版本举例，其他版本系统会略有不同，安装有问题可以留言。

**Python3 安装**

'''安装必备包'''
    yum groupinstall 'Development Tools'
    yum install -y ncurses-libs zlib-devel mysql-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel
    yum -y install gcc

'''下载python3.6.5'''
    cd /usr/local/
    wget https://www.python.org/ftp/python/3.6.5/Python-3.6.5.tar.xz

'''解压'''
    tar -xf Python-3.6.5.tar.xz
    mkdir python3
    mv Python-3.6.5 python3
    cd python3/Python-3.6.5
    ./configure --prefix=/usr/local/python3 --enable-optimizations
    make
    make altinstall

'''修改软连接'''
    ln -s /usr/local/python3/bin/python3.6 /usr/bin/python3
    ln -s /usr/local/python3/bin/pip3.6 /usr/bin/pip3

'''删除软连接,如果设置软连接出错使用'''
    rm -rf /usr/bin/python3
    rm -rf /usr/bin/pip3

'''检查是否安装版本正确'''
    python3 --version

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 5]  
**安装Scrapy**

pip3 install scrapy==2.4.0

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 6]

# Scrapy 爬虫框架 #

Scrapy，Python开发的一个快速、高层次的屏幕抓取和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用途广泛，可以用于数据挖掘、监测和自动化测试。

其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 后台也应用在获取API所返回的数据或者通用的网络爬虫。

了解学习全部Scrapy模块学习请点传送门

[【Scrapy 2.4.0 文章目录】源码解析篇：全部配置目录索引][Scrapy 2.4.0]

## 数据采集流程概述 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 7]

1.  调度器(Scheduler):  
    把它假设成为一个URL（抓取网页的网址或者说是链接）的优先队列，由它来决定下一个要抓取的网址是 什么，同时去除重复的网址（不做无用功）。用户可以自己的需求定制调度器。
2.  下载器(Downloader):  
    所有组件中负担最大的，它用于高速地下载网络上的资源。Scrapy的下载器代码不会太复杂，但效率高，主要的原因是Scrapy下载器是建立在twisted这个高效的异步模型上的(其实整个框架都在建立在这个模型上的)。
3.  爬虫（Spider）:  
    用户定制自己的爬虫(通过定制正则表达式等语法)，用于从特定的网页中提取自己需要的信息，即所谓的实体(Item)。 用户也可以从中提取出链接,让Scrapy继续抓取下一个页面。
4.  实体管道(Item Pipeline):  
    用于处理爬虫(spider)提取的实体。主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。
5.  Scrapy引擎(Scrapy Engine):  
    Scrapy引擎是整个框架的核心.它用来控制调试器、下载器、爬虫。实际上，引擎相当于计算机的CPU,它控制着整个流程。

[Python]: https://blog.csdn.net/qq_20288327/article/details/120575605
[Anaconda]: https://www.anaconda.com/products/individual
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20221024/7965be999e0a48bb92337872fd4443b7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]: /images/20221024/7a4df06aaec14a3c82b48c7b2d33abe9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]: /images/20221024/c47f1ac55254465a8e2994892c5a916a.png
[Pycharm]: http://www.wjml.tech/GetArticleDetail/?article_slug=20210204101745
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]: /images/20221024/966cc264673a41a8a5d2081fd9593f49.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 4]: /images/20221024/4ae26154a5814beca65d034b22bb3013.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 5]: /images/20221024/73da7c2d7cca4e83ab162cc67690954b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 6]: /images/20221024/6a4ba871c60844dab02d074cc432d73b.png
[Scrapy 2.4.0]: https://blog.csdn.net/qq_20288327/article/details/113618550
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 7]: /images/20221024/3ed92a2145ca438097bddb6c2b6b9cd3.png