基于 Python 的 Scrapy 爬虫入门:环境搭建

目录

  • 基于 Python 的 Scrapy 爬虫入门:环境搭建
  • 基于 Python 的 Scrapy 爬虫入门:页面提取
  • 基于 Python 的 Scrapy 爬虫入门:图片处理

作为一个全栈工程师(:-) HoHo),前端后台都懂点是必须的,但是Python 很菜,Scrapy 更菜,没错,这就是 Full Stack Developer 的特点,什么都懂点,什么都不精,我们的特点就是上手快,忘得也很快,不过配合强大的搜索引擎,写些小东西出来是不成问题的!

言归正传,最近想用爬虫抓取一些内容来充实自己的博客,以前用过 phpspider,基本能满足要求,但是不够强大,所以选用 Scrapy,顺便回忆一下快忘光的 Python,谁让它这么火呢。

一、基础环境

由于不是职业的Web开发者,因此环境是基于Windows的。

1. Python 安装

python.org 下载最新版 Python 安装包,我使用的是3.6.3 32位版本,注意如果安装了64位版本,以后所使用的包也都需要64位(很大一部分包无32/64位区分,可以通用)。安装程序默认安装pip包管理工具,并设置了相关环境变量:添加 %Python% 及 %Python%\Scripts 到 PATH 中(%Python%是你的安装目录),你运行的 Python 程序或脚本都在 Scripts 中,包都安装在 Lib\site-packages 中。

2. 配置 pip 国内镜像源

Python之所以强大正是因为各种功能齐全的开发包,由于众所周知的原因 pip下载模块速度很慢,因此为了保证pip下载顺利,建议替换成国内的安装源镜像:

  • 创建文件 %HOMEPATH%\pip\pip.ini,内容如下:

    [global]
    trusted-host=mirrors.aliyun.com
    index-url=http://mirrors.aliyun.com/pypi/simple/
  • 上面这个是清华大学的镜像,另外附上其他几个好用的,据说每30分钟同步官网

    阿里云:http://mirrors.aliyun.com/pypi/simple/
    豆瓣网:http://pypi.doubanio.com/simple/
    科技大学:http://mirrors.ustc.edu.cn/pypi/web/simple/
    清华大学:https://pypi.tuna.tsinghua.edu.cn/simple/
  • 如果不嫌麻烦的话也可以每次安装时指定:

    pip -i http://pypi.douban.com/simple install Flask

3. 换一个趁手的命令行

由于Python中经常要用到命令行工具,但Windows自带的cmd或PowerShell逼格太低,换个字体还得折腾大半天,因此有必要换一个好用的,推荐cmder mini版:https://github.com/cmderdev/c...,Python输出的调试信息可以根据颜色区分,不用像cmd那样找半天了。
基于 Python 的 Scrapy 爬虫入门:环境搭建

4. 安装基础包

virtualenv

基本上Python每个项目都会用到大量的模块,比如本文中的Scrapy爬虫,pip install scrapy后除了Scrapy本身外,还会下载数十个依赖包,如果经常用Python做各种开发,site-packages会越来越庞大,可能有些包只在一个项目中用到,或者删除包后依赖包并没有被删除,总之不太好管理,作为强迫症患者是决不能忍受的。

好在有一个工具 virtualenv 可以方便管理 Python 的环境,它可以创建一个隔离的Python虚拟开发环境,使用它你可以同时安装多个Python版本,方便同时多个项目的开发,每个项目之间的包安装与使用都是独立的,互不干扰,通过命令可以随时切换各个虚拟环境,如果不再使用,把整个虚拟环境删除即可同时删除其中所有的模块包,保持全局环境的干净。

为了便于使用,我选择安装virtualenvwrapper-win模块,它依赖于virtualenv,包含Windows下面易于使用的批处理脚本,其实只是调用了 virtualenv 功能而已:

pip install virtualenvwrapper-win

virtualenvwrapper 常用命令:

  • workon: 列出虚拟环境列表
  • lsvirtualenv: 同上
  • mkvirtualenv: 新建虚拟环境
  • workon [虚拟环境名称]: 切换虚拟环境
  • rmvirtualenv: 删除虚拟环境
  • deactivate: 离开虚拟环境
wheel

wheel 是python中的解包和打包工具,因此有必要安装到全局环境中,有些模块使用pip安装总是失败,可以尝试先下载whl文件,再使用wheel本地安装的方式安装。

pip install wheel

pypiwin32

既然在Windows下开发,win32api也是必不可少的包,因此也装到全局环境中,下次新建虚拟项目环境用到时就不必每次再下载一次了。


当然,以上2,3,4其实都不是必须的,但是建好基本环境有利于以后的开发少兜圈子。

二、Scrapy 安装

打开cmder命令行工具

  1. 创建Scrapy虚拟环境: mkvirtualenv Scrapy,默认情况下会创建%HOMEPATH%\Envs目录,所有的虚拟环境都会产生一个子目录保存在此,里面包含Python基本程序文件以及pip,wheel,setuptools库文件。如果想修改Envs默认路径,在Windows中可添加一个 %WORKON_HOME% 环境变量指定新的目录。
  2. 切换到Scrapy环境:workon scrapy ,执行后在命令行提示符前面会多出 (Scrapy) 字符,表示当前处于Scrapy虚拟环境中,同时添加了当前环境中的相关路径在系统 %PATH% 搜索路径中。
  3. 安装Scrapy包:pip install scrapy,自己好几次都遇到Twisted模块安装失败的问题,貌似是编译失败,缺少Microsoft Visual C++ 14.0导致:

    基于 Python 的 Scrapy 爬虫入门:环境搭建

    我没有按要求安装Microsoft Visual C++ 14.0编译工具进行编译安装,而是下载已打包的whl文件进行本地安装,此时wheel便派上了用场,到 https://www.lfd.uci.edu/~gohl... 下载twisted的whl文件(注意对应Python版本)

    基于 Python 的 Scrapy 爬虫入门:环境搭建

    再使用 pip install Twisted‑17.9.0‑cp36‑cp36m‑win32.whl 来进行安装,本地安装twisted成功,由于之前被错误中断,建议再执行一次 pip install scrapy 防止有依赖包没有安装到。

    注意:Windows平台需要额外安装 pypiwin32 模块,否则在Scrapy执行爬虫时会报错:
    ModuleNotFoundError: No module named 'win32api'

至此 Scrapy 环境搭建完成,所有的模块存放在 %HOMEPATH%\Envs\Scrapy 中,如果不再使用,只需要命令行执行 rmvirtualenv scrapy,整个目录都会被删除,所有依赖模块都会被清理干净。

相关推荐