一步步教你利用Github开源项目实现网络爬虫：以抓取证券日报新闻为例

在学习编程的过程中，初学者(特别是想转行互联网的来自其它专业的初学者)往往因为缺乏实际项目的操作而陷入基础学习的环境中无法自拔，在学习Python的过程中，笔者最初也是一直停留在不断地print、列表、数组、各种数据结构的学习里，当然基础知识的学习很重要，但是没有项目的实际操作，往往无法得到提高并会心生厌倦，为了应对这个问题，接下来专栏将从Github开源项目选取一些比较有意思的项目，来为大家说明如何开展项目，如何安装环境，如何debug，如何找到解决问题的方法......

我们以抓取财经新闻的爬虫为例，默认centos系统、Python2.7环境，并且已经安装pyenv

项目作者： Hailong Zhang 项目地址： Scrapy Spider for 各种新闻网站 感谢作者开源

1. 首先准备项目开发环境

$cd /home/andy/.pyenv/ENV2.7.10 $ mkdir works $ cd works $ pyenv activate ENV2.7.10 $ sudo yum install gcc libffi-devel openssl-devel libxml2 libxslt-devel libxml2-devel python-devel -y $ sudo yum install python-setuptools

2. 依次安装pip、lxml、scrapy $ easy_install pip $ easy_install lxml $ pip install scrapy

3. 从github克隆项目 $ mkdir spiders $ git clone https://github.com/hailong0707/spider_news_all

4. 查看README.md项目文档 $ cd spider_news_all $ ls $ vim README.md

5. 安装环境及数据库存储连接用的MySQL-python模块 $ sudo yum install python-devel $ sudo yum install mysql-devel $ pip install MySQL-python $ pip install bs4

6. 创建新的与爬虫项目匹配的数据库和配置爬虫项目MySQLdb的连接账号密码 进入MySQL创建存储数据的数据库、表，记得刷新权限： mysql> create database news; mysql> grant all privileges on news.* to username@localhost identified by 'passwd'; mysql> flush privileges;

在db.sql的同级目录加载数据库表结构 $ mysql -u root -p $ source db.sql

配置与数据库对应的爬虫系统的MySQLdb的连接账号密码： $ vim pipelines.py $ vim zqrb.py

7. 安装screen，运行项目,以抓取证券日报新闻为例，命名screen名称zqrb $ sudo yum install screen $ screen -S zqrb $ scrapy crawl zqrb

8. Debug，直接运行会发现报错，debug完再运行 AttributeError: 'list' object has no attribute 'iteritems'

查看项目的github主页，在Issues里有人已经提出解决方案，修改setting.py ITEM_PIPELINES = { 'spider_news_all.pipelines.SpiderNewsAllPipeline': 300 }

修改之后再次运行，Great！Ctrl+A+D退出screen返回终端，让爬虫继续运行，Linux中可以利用crontab执行定时任务，比如可以设置每天晚上0点定时开启爬虫抓取。 $ scrapy crawl zqrb