如何在Ubuntu 14.04 LTS安裝網絡爬蟲工具：Scrapy

這是一款提取網站數據的開源工具。Scrapy框架用Python開發而成，它使抓取工作又快又簡單，且可擴展。我們已經在virtual box中創建一台虛擬機（VM）並且在上面安裝了Ubuntu 14.04 LTS。

安裝 Scrapy

Scrapy依賴於Python、開發庫和pip。Python最新的版本已經在Ubuntu上預裝了。因此我們在安裝Scrapy之前只需安裝pip和python開發庫就可以了。

pip是作為python包索引器easy_install的替代品，用於安裝和管理Python包。pip包的安裝可見圖 1。

1. sudo apt-get install python-pip

圖:1 pip安裝

我們必須要用下面的命令安裝python開發庫。如果包沒有安裝那麼就會在安裝scrapy框架的時候報關於python.h頭文件的錯誤。

1. sudo apt-get install python-dev

圖:2 Python 開發庫

scrapy框架既可從deb包安裝也可以從源碼安裝。在圖3中我們用pip（Python 包管理器）安裝了deb包了。

1. sudo pip install scrapy

圖:3 Scrapy 安裝

圖4中scrapy的成功安裝需要一些時間。

圖:4 成功安裝Scrapy框架

使用scrapy框架提取數據

基礎教程

我們將用scrapy從fatwallet.com上提取商店名稱（賣卡的店）。首先，我們使用下面的命令新建一個scrapy項目“store name”， 見圖5。

1. $sudo scrapy startproject store_name

圖:5 Scrapy框架新建項目

上面的命令在當前路徑創建了一個“store_name”的目錄。項目主目錄下包含的文件/文件夾見圖6。

1. $sudo ls –lR store_name

圖:6 store_name項目的內容

每個文件/文件夾的概要如下：

• scrapy.cfg 是項目配置文件
• store_name/ 主目錄下的另一個文件夾。 這個目錄包含了項目的python代碼
• store_name/items.py 包含了將由蜘蛛爬取的項目
• store_name/pipelines.py 是管道文件
• store_name/settings.py 是項目的配置文件
• store_name/spiders/， 包含了用於爬取的蜘蛛

由於我們要從fatwallet.com上如提取店名，因此我們如下修改文件（LCTT 譯注：這裡沒說明是哪個文件，譯者認為應該是 items.py）。

1. import scrapy
2. classStoreNameItem(scrapy.Item):
3. name = scrapy.Field()# 取出卡片商店的名稱

之後我們要在項目的store_name/spiders/文件夾下寫一個新的蜘蛛。蜘蛛是一個python類，它包含了下面幾個必須的屬性：

1. 蜘蛛名 (name )
2. 爬取起點url (start_urls)
3. 包含了從響應中提取需要內容相應的正則表達式的解析方法。解析方法對爬蟲而言很重要。

我們在storename/spiders/目錄下創建了“storename.py”爬蟲，並添加如下的代碼來從fatwallet.com上提取店名。爬蟲的輸出寫到文件（StoreName.txt）中，見圖7。

1. from scrapy.selector importSelector
2. from scrapy.spider importBaseSpider
3. from scrapy.http importRequest
4. from scrapy.http importFormRequest
5. import re
6. classStoreNameItem(BaseSpider):
7. name ="storename"
8. allowed_domains =["fatwallet.com"]
9. start_urls =["http://fatwallet.com/cash-back-shopping/"]
10. def parse(self,response):
11. output = open('StoreName.txt','w')
12. resp =Selector(response)
13. tags = resp.xpath('//tr[@class="storeListRow"]|\
14. //tr[@class="storeListRow even"]|\
15. //tr[@class="storeListRow even last"]|\
16. //tr[@class="storeListRow last"]').extract()
17. for i in tags:
18. i = i.encode('utf-8','ignore').strip()
19. store_name =''
20. if re.search(r"class=\"storeListStoreName\">.*?<",i,re.I|re.S):
21. store_name = re.search(r"class=\"storeListStoreName\">.*?<",i,re.I|re.S).group()
22. store_name = re.search(r">.*?<",store_name,re.I|re.S).group()
23. store_name = re.sub(r'>',"",re.sub(r'<',"",store_name,re.I))
24. store_name = re.sub(r'&',"&",re.sub(r'&',"&",store_name,re.I))
25. #print store_name
26. output.write(store_name+""+"\n")

圖:7 爬蟲的輸出

注意: 本教程的目的僅用於理解scrapy框架

更多Ubuntu相關信息見Ubuntu 專題頁面 http://www.linuxidc.com/topicnews.aspx?tid=2