小白学 Scrapy 爬虫系列之一:准备实验机器

爬虫如今是一个非常热门的技术领域,不仅因为它是获取大数据的一种有效方式,还在于它入门还是比较简单、快速,小白学完比较容易有成就感,而且可以「学以致用」。

本系列文章中,笔者将带领大家从零开始学习爬虫编写。在跟随笔者一起实操之前,要求大家有一定的 Python 基础。之前没接触过的同学也不用担心,Python 号称是世界上最容易学的语言,如果之前没有了解,可以先看看Think Python 2这本入门书。这是 Python 社区爱好者共同翻译的一本开源教材,对于零基础的同学来说很有价值。

第一天的任务

本系列教程一共八篇,将持续在腾讯云技术社区更新。前七篇介绍从机器配置到爬虫运行的全过程,最后一篇分享动态页面爬取、反爬虫等进阶建议。

第一天的任务,也就是本文的主题,即 完成爬虫项目的机器配置。

机器及操作系统

在学习爬虫的过程中,可能会碰到由于机器原因导致的软件安装错误,尤其是 Windows 系统。因此,本教程建议大家使用统一的机器机型和操作系统。

确保这个要求的绝佳方式,就是使用腾讯云等云计算平台提供的云服务器。这些都是标准化的机器,每台机器的初始配置都相同,而且可以选择使用一模一样的操作系统,如我们计划使用的 Ubuntu 14.04。

另外,由于直接使用云服务器,在爬虫开发完成之后,就可以直接投入实际使用,做到 7x24 小时持续运行。

因此,笔者建议大家使用腾讯云提供的云服务器。如果你是新注册用户的话,还可以申请免费30天使用。如果已经是注册用户,建议选择1核CPU1GB内存的实验机器,尽量降低实验成本。这也是本系列教程所使用的机器。

购买服务器之后,建议先按下文进行初始安全配置:

如何正确配置 Ubuntu 14.04 服务器?

基础软件

SSH 登录实验服务器之后,我们需要安装以下软件依赖,才能继续后面的任务:

  • Python 3.x
  • git
  • pip
  • virtualenv

安装过程也非常直接明了:

sduo apt-get install python3 git python3-pip

然后再使用 pip 命令安装 virtualenv:

pip3 install virutalenv

在 Ubuntu 系统下,这些操作完成的都特别快,而且基本不会出错。Windows 系统下的过程会稍微复杂一些。

后续计划

完成上面的配置之后,爬虫项目需要的实验机器就准备好了。明天,我们将介绍具体实验环境准备工作,主要包括安装PostgreSQL 数据库和 Scrapy 爬虫库等。

本系列教程的完整内容预计包括:

  • E01:机器配置
  • E02:环境配置
  • E03:创建 Scrapy 项目
  • E04:编写爬虫代码
  • E05:接入 SQLAlchemy
  • E06:编写数据处理管道
  • E07:运行爬虫的几种方式
  • E08:延伸阅读,如何避免反爬等

原创声明,本文系作者授权云+社区-专栏发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏LEo的网络日志

coding感想(三)

3478
来自专栏杨建荣的学习笔记

数据整合式迁移的一些总结(r8笔记第38天)

说起数据迁移,感觉也算是有些感受了,但是最近参与的几个迁移案例还是和以前大大不同,以前的迁移项目是比拼停机维护时间,尽可能在短时间诶导入大批量的 数据,有参与表...

3005
来自专栏大数据钻研

谷歌的代码管理

谷歌和 Facebook 都只有一个代码仓库,全公司的代码都放在这个库里。 我一直很困惑,为什么要这样做,不同语言的项目放在一个库有什么好处? 最新一期的《AC...

3267
来自专栏Rainbond开源「容器云平台」

Pinpoint-java性能分析最佳实践_开源PaaS Rainbond

<center><img src="https://static.goodrain.com/images/acp/docs/bestpractice/Pinpo...

3939
来自专栏JavaWeb

使用Spring profile 多环境配置管理

3478
来自专栏张善友的专栏

持续集成及部署利器:Go

Go是一款先进的持续集成和发布管理系统,由ThoughtWorks开发。(不要和Google的编程语言Go混淆了!)其前身为CruiseControl,是Tho...

2345
来自专栏Rainbond开源「容器云平台」

好雨云帮一周问答集锦(10.31-11.06)

1032
来自专栏机器学习算法与Python学习

这些好用的Python IDE!你用的哪一款?

关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第一 【Python】:排名第三 【算法】:排名第四 “工欲善其事,必先利其器”,如果说编...

3789
来自专栏北京马哥教育

自动化代码发布系统实现

日常运维问题 在我日常运维工作中,代码发布可能是最普遍的一项工作之一,尤其是网页代码的更新,碎片化发布需求非常频繁。在前期开发人员比较少时,还可以由自己 来上服...

4688
来自专栏企鹅号快讯

搭建Python环境

这节课派老师教大家搭建一个Python环境,以便于可以编写和调试Python代码。让我们走入Python的奇妙世界吧! 可以安装Python的操作系统非常多,有...

2129

扫码关注云+社区