Linux云服务器下配置Scrapy并抓取数据

2017-04-29 本文已影响1632人㭍葉

基础装备：

Linux云服务器（阿里云Ubuntu 16.04）；
建立远程连接的软件（这里用的是XShell）；

友情链接：

Scrapy入门教程：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/tutorial.html
Scrapy-Github地址：https://github.com/scrapy/scrapy
XShell官网下载：http://www.netsarang.com/xshell_download.html
XShell百度下载：http://rj.baidu.com/soft/detail/15201.html?ald
ubuntu常用命令：http://www.jianshu.com/p/1340bb38e4aa
tips: 连接到云服务器之后请先更新操作系统！！！

----------------------------------看完觉着有用的话帮忙点个赞哦~-----------------------------------------

Ubuntu 16.04云服务器下Scrapy的配置
- 使用ssh方法连接到服务器
- 查看python版本
- 用pip安装virtualenv
- 创建虚拟环境
- pip安装twisted
- 其他相关软件包安装
- 安装cryptography
- 安装scrapy
Scrapy抓取网页源码
- 找到spiders文件夹
- 本地编写spiders文件并上传
- 执行文件
Scrapy抓取多页数据
- 本地编写spiders文件
- 上传并执行文件
Scrapy抓取指定数据
- 本地编写spiders文件
- 上传并执行文件
总结

Ubuntu 16.04云服务器下Scrapy的配置

使用ssh方法连接到云服务器

xshell-new.PNG
新建-->输入主机IP-->确定-->输入用户名和密码-->连接成功-->进入打算安装scrapy的文件夹
如果不知道怎样创建新用户和进入文件夹的请移步到Ubuntu常用命令整理
友情链接：xshell登陆详解--腾讯云服务器+Ubuntu+Scrapy抓取网页数据
注意：xshell输入密码会有对话框弹出；在linux系统中输入密码不会有显示，输入完后Enter即可。

查看python版本

00--py.PNG

python --version

--version用于查看版本

用pip安装virtualenv

01--virtualenv.PNG

sudo pip install virtualenv
virtualenv --version

sudo命令必须在root权限用户或者被赋予sudo权限的用户执行；
给普通用户赋sudo权限

usermod -aG sudo username

virtualenv 简介

virtualenv 是一个创建隔绝的Python环境的工具。virtualenv创建一个包含所有必要的可执行文件的文件夹，用来使用Python工程所需的包。

创建 venv 虚拟环境

02--venv.PNG

virtualenv venv
cd venv
ls
source bin/activate

virtualenv venv 将会在当前的目录中创建一个文件夹，包含了Python可执行文件，以及 pip 库的一份拷贝，这样就能安装其他包了。虚拟环境的名字（此例中是 venv ）可以是任意的；若省略名字将会把文件均放在当前目录。
其中，cd命令用于进入指定目录；ls用于查看当前目录；
source bin/activate用于激活venv, 每次要开始使用虚拟环境之前都需要激活。
激活后，当前虚拟环境的名字会显示在提示符左侧（比如说 (venv)你的电脑:你的工程用户名$）以显示它是激活的。从现在起，任何使用pip安装的包将会放在 ``venv 文件夹中，与全局安装的Python隔绝开。

pip安装twisted

03--twisted.PNG

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple twisted

Twisted是一个python编写的事件驱动网络引擎。支持许多常见的网络协议，包括SMTP，POP3，IMAP，SSHv2和DNS。

如果Twisted版本过高，要降包适配。

相关链接：
pip常用命令总结：http://blog.csdn.net/ezreal_king/article/details/61474541
twisted官网：https://twistedmatrix.com/trac/
twisted-gitbook：https://www.gitbook.com/book/likebeta/twisted-intro-cn/details

其它相关软件包安装

sudo apt-get install build-essential libssl-dev libffi-dev python-dev

这里由于忘记sudo apt-get update,出了一点点小问题..

q1--unablelibssldev.PNG

所以千万要记得经常给服务器update!!!

软件包介绍：
build-essential: Informational list of build-essential packages
libssl-dev:是OpenSSL项目实施SSL和TLS加密协议的一部分，用于通过Internet进行安全通信。
libffi-dev:外部函数接口库（开发文件）
python-dev:头文件和Python的静态库（默认）

相关链接：
libffi介绍：https://sourceware.org/libffi/

安装cryptography

04--cryptography.PNG

pip install cryptography

cryptography[加密]是一种为Python开发人员提供加密配方和原语的软件包。

cryptography includes both high level recipes, and low level interfaces to common cryptographic algorithms such as symmetric ciphers, message digests and key derivation functions.

来源：https://pypi.python.org/pypi/cryptography
相关链接：
cryptography开发文档：https://cryptography.io/en/latest/

安装scrapy

06--quotes.PNG

pip install scrapy
scrapy --version
scrapy startproject quotes(工程名)

到这里，scrapy已经成功安装在了我们的Ubuntu云服务器上。
接下来，就可以开始写代码进行数据爬取了。

Scrapy抓取网页源码

------------------------------------以抓取quotes网站的名人名言为例------------------------

找到spiders文件夹

这里如果中断了之前的连接，需要重新激活

激活并进入虚拟环境

01--activate.PNG

cd /home/slx/venv //进入venv虚拟环境的目录
source bin/activate //激活

02--tree.PNG

cd slx_quotes                  //进入venv下新建工程的目录  
tree                           //查看当前目录  
（如果没有安装tree,输入命令sudo apt-get install tree进行安装）  
cd slx_quotes/spiders          //进入spiders目录下

目录分析：

scrapy.cfg/
slx_quotes/
    __init__.py
    items.py
    middlewares.py
    pipelines.py
    settings.py
    spiders/
        __init__.py

scrapy.cfg:项目配置文件
slx_quotes/:该项目的python模块，之后在这里加入代码
slx_quotes/items.py:项目中的item文件
slx_quotes/middlewares.py:spider中间件文件
slx_quotes/pipelines.py:项目管道组件文件
slx_quotes/settings.py:项目的设置文件
slx_quotes/spiders/:放置spider代码的目录

本地编写spider代码并上传

import scrapy

class QuotesSpider(scrapy.Spider):
        name = "slx_quotes"

        def start_requests(self):
            urls = [
                'http://quotes.toscrape.com/page/1',
                'http://quotes.toscrape.com/page/2',
            ]

            for url in urls:
                yield scrapy.Request(url = url, callback = self.parse)

        def parse(self, response):
            page = response.url.split("/")[-2]
            filename = 'slx-quotes-%s.html' % page
            with open(filename, 'wb') as f:
                f.write(response.body)
                self.log('Saved file %s' % filename)

三个属性：
- name: 用于区别不同的spider.必须是唯一的，不能为不同的spider设定相同的名字。
- start_urls:包含了Spider在启动时进行爬取的url列表。
- parse() :是spider的一个方法。被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。
  page通过response.url取到了页码数；
  filename是保存的文件名；
  self.log在控制台打印出日志信息，显示文件名。
%s介绍：
python字符串格式化符号:
符号描述
%c 格式化字符及其ASCII码
%s 格式化字符串
%d 格式化整数
%u 格式化无符号整型
%o 格式化无符号八进制数
%x 格式化无符号十六进制数
%X 格式化无符号十六进制数（大写）
%f 格式化浮点数字，可指定小数点后的精度
%e 用科学计数法格式化浮点数
%E 作用同%e，用科学计数法格式化浮点数
%g %f和%e的简写
%G %f 和 %E 的简写
%p 用十六进制数格式化变量的地址
来源：http://www.runoob.com/python/python-strings.html
参考：http://www.cnblogs.com/wilber2013/p/4641616.html

把写好的py文件拖进spiders目录下

03--rz.PNG

执行文件

04-scrapy.PNG

04-scrapy2.PNG

scrapy crawl slx_quotes
find / -name slx-quotes-1.html
sz

执行爬虫后，我们得到了html文件，找到它并且保存到本地（这里我用的lrzsz方法执行sz命令进行保存）

得到html文件

05--scrapyhtml.PNG

我们也可以用chrome的开发者工具分析网页的格式

05--chrome.PNG

---------------这里是MobaXterm上传下载及查找文件的方法-----
如果找不到home文件夹的话，它可能藏在这里了...

找到home1

找到home2

在这里上传下载
左上角有上传下载的按钮，点击即可。也可以把文件直接拖进来。
标题从左到右：文件名；大小；最后一次修改时间；所有者；所属组；权限
如果遇到了Permission denied，可能是由于权限不够，修改文件权限方法

Scrapy爬取多页Json数据

本地编写Spiders文件

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "slx_quotes_spider"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
    ]


    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text':quote.css('span.text::text').extract_first(),
                'author':quote.css('small.author::text').extract_first(),
                'tags':quote.css('div.tags a.tag::text').extract(),
            }

            next_page = response.css('li.next a::attr(href)').extract_first()
            if next_page is not None:
                next_page = response.urljoin(next_page)
                yield scrapy.Request(next_page,callback = self.parse)

(如果遇到not found或者unexpected indent，可能是空格或缩进有问题。这里的代码缩进我又进行了对照完善，现在的缩进是没有问题的，可以对照检查缩进)

上传文件并执行

具体操作方法和之前一样；
这次把爬取的数据保存为json文件

scrapy crawl slx_quotes_spider -o slx_05011447.json

第一个参数与代码中name相同；name在每个爬虫中都是唯一标识的；不同的爬虫应该取不同的name.
第二个参数是你想要保存的json文件名

Scrapy抓取指定数据

本地编写spiders文件

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "tag_ys"
    start_urls = [
        'http://quotes.toscrape.com',
    ]

    def parse(self, response):  
            for href in response.css('span.tag-item a::attr(href)'): 
                    url =response.urljoin(href.extract())
            print href.extract() 
                    yield scrapy.Request(url, callback=self.parse1)  

    def parse1(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text':quote.css('span.text::text').extract_first(),
                'author':quote.css('small.author::text').extract_first(),
                'tags':quote.css('div.tags a.tag::text').extract(),
            }

            next_page = response.css('li.next a::attr(href)').extract_first()
            if next_page is not None:
                next_page = response.urljoin(next_page)
                yield scrapy.Request(next_page,callback = self.parse1)

这段代码主要是用于爬取quotes.toscrape.com网页中热门标签下的名人名言，通过抓取当前页面的热门标签的url地址，链接到对应的页面再次进行数据抓取。

上传并执行文件

scrapy crawl tag_ys -o tag_ys.json

抓取json数据结果如下：

tag_ys.PNG

如果需要xml数据，可用json转xml在线工具进行转换
当然，也可以自己用java造轮子自行转换

总结

通过几天的学习与整理，我对scrapy框架有了更深刻的理解和认识，也在scrapy安装过程中巩固了ubuntu基础知识。在学习的过程中，通过发现问题与解决问题，逐渐完善自己的知识体系。

主要用到的知识点有：

Ubuntu基础知识；
python基础知识；
scrapy基础；
css选择器；
xpath选择器；
正则表达式

我的其他文章：
robots.txt学习笔记----以亚马逊&Github为例
 Ubuntu 常用命令整理