Centos7 下Scrapy安装过程

时间:2022-09-14 17:01:43

参考链接:http://essun.blog.51cto.com/721033/1703367

一、有个很重要的事情就是更新源

http://www.codesec.net/view/195997.html

二、首先要安装libffi-devel,直接用安装包安装,因为网上的那些配置文件上面的链接都是虚的,基本不能用(坑死哥了)

https://sourceware.org/libffi/ Centos7 下Scrapy安装过程

点击sourceware.org下载,拷贝到centos下直接解压安装。

tar -vxfz libffi-3.2.1.tar.gz 

cd /libffi-3.2.1

./configure(因为新手,刚开始没找到make/make install,后面才知道要先执行这个文件就会产生make/make install

make

make install

到这里libffi算是安装完了。

三、如果系统中安装有audit这个包请先移除,它会影响到Scrapy的安装

1 #yum remove audit

四、安装Scarpy 所需要的开发包python-devel openssl-devel libxslt-devel libxml2-devel

在另一篇安装微信爬虫-centos7有安装过了,这里就在讲了。网络上的那些直接用yum安装的基本上都不靠谱。

五、安装pip与setuptools---https://my.oschina.net/clgo/blog/657209

123 #yum install python-pip -y(在安装微信爬虫-centos7讲过了)#pip install  setuptools#pip install setuptools --upgrade#sudo
pip install --upgrade pysn1(自己加了一步,不加一直提示出错)

六、安装Scrapy

123456789101112131415161718192021222324252627282930313233 # pip install ScrapyCollecting Scrapy  Using cached Scrapy-1.0.3-py2-none-any.whlRequirement already satisfied (use --upgrade to upgrade): cssselect>=0.9 in /usr/lib/python2.7/site-packages (from Scrapy)Requirement already satisfied (use --upgrade to upgrade): queuelib in /usr/lib/python2.7/site-packages (from Scrapy)Requirement already satisfied (use --upgrade to upgrade): pyOpenSSL in /usr/lib/python2.7/site-packages (from Scrapy)Requirement already satisfied (use --upgrade to upgrade): w3lib>=1.8.0 in /usr/lib/python2.7/site-packages (from Scrapy)Collecting lxml (from Scrapy)  Using cached lxml-3.4.4.tar.gzCollecting Twisted>=10.0.0 (from Scrapy)  Using cached Twisted-15.4.0.tar.bz2Requirement already satisfied (use --upgrade to upgrade): six>=1.5.2 in /usr/lib/python2.7/site-packages (from Scrapy)Collecting service-identity (from Scrapy)  Using cached service_identity-14.0.0-py2.py3-none-any.whlRequirement already satisfied (use --upgrade to upgrade): cryptography>=0.7 in /usr/lib64/python2.7/site-packages (from pyOpenSSL->Scrapy)Collecting zope.interface>=3.6.0 (from Twisted>=10.0.0->Scrapy)  Using cached zope.interface-4.1.3.tar.gzCollecting characteristic>=14.0.0 (from service-identity->Scrapy)  Using cached characteristic-14.3.0-py2.py3-none-any.whlCollecting pyasn1-modules (from service-identity->Scrapy)  Using cached pyasn1_modules-0.0.8-py2.py3-none-any.whlRequirement already satisfied (use --upgrade to upgrade): pyasn1 in /usr/lib/python2.7/site-packages (from service-identity->Scrapy)Requirement already satisfied (use --upgrade to upgrade): idna>=2.0 in /usr/lib/python2.7/site-packages (from cryptography>=0.7->pyOpenSSL->Scrapy)Requirement already satisfied (use --upgrade to upgrade): setuptools in /usr/lib/python2.7/site-packages (from cryptography>=0.7->pyOpenSSL->Scrapy)Requirement already satisfied (use --upgrade to upgrade): enum34 in /usr/lib/python2.7/site-packages (from cryptography>=0.7->pyOpenSSL->Scrapy)Requirement already satisfied (use --upgrade to upgrade): ipaddress in /usr/lib/python2.7/site-packages (from cryptography>=0.7->pyOpenSSL->Scrapy)Requirement already satisfied (use --upgrade to upgrade): cffi>=1.1.0 in /usr/lib64/python2.7/site-packages (from cryptography>=0.7->pyOpenSSL->Scrapy)Requirement already satisfied (use --upgrade to upgrade): pycparser in /usr/lib/python2.7/site-packages (from cffi>=1.1.0->cryptography>=0.7->pyOpenSSL->Scrapy)Installing collected packages: lxml, zope.interface, Twisted, characteristic, pyasn1-modules, service-identity, Scrapy  Running setup.py install for lxml  Running setup.py install for zope.interface  Running setup.py install for TwistedSuccessfully installed Scrapy-1.0.3 Twisted-15.4.0 characteristic-14.3.0 lxml-3.4.4 pyasn1-modules-0.0.8 service-identity-14.0.0 zope.interface-4.1.3

七、创建项目

12345678910 [root@localhost workspace]# scrapy startproject dmoz2015-10-15 21:54:24 [scrapy] INFO: Scrapy 1.0.3 started (bot: scrapybot)2015-10-15 21:54:24 [scrapy] INFO: Optional features available: ssl, http112015-10-15 21:54:24 [scrapy] INFO: Overridden settings: {}New Scrapy project 'dmoz' created in:    /workspace/tutorial You can start your first spider with:    cd tutorial    scrapy genspider example example.com

八、目录结构

12345678910111213 [root@localhost workspace]# tree.└── tutorial    ├── scrapy.cfg    └── tutorial        ├── __init__.py        ├── items.py        ├── pipelines.py        ├── settings.py        └── spiders            └── __init__.py 3 directories, 6 files

以下参考链接为:http://www.cnblogs.com/txw1958/archive/2012/07/16/scrapy-tutorial.html

九、定义Item

Items是将要装载抓取的数据的容器,它工作方式像python里面的字典,但它提供更多的保护,比如对未定义的字段填充以防止拼写错误。

它通过创建一个scrapy.item.Item类来声明,定义它的属性为scrpy.item.Field对象,就像是一个对象关系映射(ORM). 
我们通过将需要的item模型化,来控制从dmoz.org获得的站点数据,比如我们要获得站点的名字,url和网站描述,我们定义这三种属性的域。要做到这点,我们编辑在tutorial目录下的items.py文件,我们的Item类将会是这样

# -*- coding: utf-8 -*-
from scrapy.item import Item,Field


class DomzItem(Item):
    title = Field()
    link = Field()
    desc = Field()
    # define the fields for your item here like:
    # name = scrapy.Field()
                            

八、第一个爬虫(Spider)

Spider是用户编写的类,用于从一个域(或域组)中抓取信息。

他们定义了用于下载的URL的初步列表,如何跟踪链接,以及如何来解析这些网页的内容用于提取items。

要建立一个Spider,你必须为scrapy.spider.BaseSpider创建一个子类,并确定三个主要的、强制的属性:

  • name:爬虫的识别名,它必须是唯一的,在不同的爬虫中你必须定义不同的名字.
  • start_urls:爬虫开始爬的一个URL列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些URLS开始。其他子URL将会从这些起始URL中继承性生成。
  • parse():爬虫的方法,调用时候传入从每一个URL传回的Response对象作为参数,response将会是parse方法的唯一的一个参数,

这个方法负责解析返回的数据、匹配抓取的数据(解析为item)并跟踪更多的URL。

 

这是我们的第一只爬虫的代码,将其命名为dmoz_spider.py并保存在tutorial\spiders目录下。

Centos7 下Scrapy安装过程
from scrapy.spider import BaseSpider

from scrapy.spider import BaseSpider


class DmozSpider(BaseSpider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
"http://news.sohu.com/20161120/n473657485.shtml"    
    ]


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

八、执行

为了让我们的爬虫工作,我们返回项目主目录执行以下命令

#scrapy crawl dmoz
这时候就会生成类似网页的的.com文件,加上后缀.html就可以直接用centos里面的火狐浏览器打开。

这时候可能手机微信上面的链接无法获取,把settings.py的ROBOTSTXT_OBEY = True改成ROBOTSTXT_OBEY = False。




基本完成。