本文将介绍我是如何在python爬虫里面一步一步踩坑，然后慢慢走出来的，期间碰到的所有问题我都会详细说明，让大家以后碰到这些问题时能够快速确定问题的来源，后面的代码只是贴出了核心代码，更详细的代码暂时没有贴出来。
流程一览
首先我是想爬某个网站上面的所有文章内容，但是由于之前没有做过爬虫（也不知道到底那个语言最方便），所以这里想到了是用python来做一个爬虫（毕竟人家的名字都带有爬虫的含义:smile:），我这边是打算先将所有从网站上爬下来的数据放到ElasticSearch里面,选择ElasticSearch的原因是速度快，里面分词插件，倒排索引，需要数据的时候查询效率会非常好（毕竟爬的东西比较多:smile:），然后我会将所有的数据在ElasticSearch的老婆kibana里面将数据进行可视化出来，并且分析这些文章内容，可以先看一下预期可视化的效果（上图了），这个效果图是kibana6.4系统给予的帮助效果图（就是说你可以弄成这样,我也想弄成这样:grin:）。后面我会发一个dockerfile上来（现在还没弄:flushed:）。
环境需求
- Jdk(Elasticsearch需要)
- ElasticSearch(用来存储数据)
- Kinaba(用来操作ElasticSearch和数据可视化)
- Python(编写爬虫)
- Redis(数据排重)
这些东西可以去找相应的教程安装，我这里只有ElasticSearch的安装:cry:点我获取安装教程
第一步，使用python的pip来安装需要的插件（第一个坑在这儿）
- tomd:将html转换成markdown
pip3installtomd复制代码
- redis:需要python的redis插件
pip3installredis复制代码
- scrapy:框架安装(坑)
- 首先我是像上面一样执行了
pip3installscrapy复制代码
- 然后发现缺少gcc组件error:command'gcc'failedwithexitstatus1
- 然后我就找啊找，找啊找，最后终于找到了正确的解决方法(期间试了很多错误答案:sob:)。最终的解决办法就是使用yum来安装python34-devel,这个python34-devel根据你自己的python版本来，可能是python-devel,是多少版本就将中间的34改成你的版本,我的是3.4.6
yuminstallpython34-devel复制代码
- 安装完成过后使用命令scrapy来试试吧。
第二步，使用scrapy来创建你的项目
- 输入命令scrapystartprojectscrapyDemo,来创建一个爬虫项目
- 使用genspider来生成一个基础的spider,使用命令scrapygenspiderdemojuejin.im，后面这个网址是你要爬的网站,我们先爬自己家的:joy:
- 查看生成的目录结构
第三步，打开项目，开始编码
- 查看生成的的demo.py的内容
- 可以使用第二种方式，将start_urls给提出来
- 编写parse方法的代码
- 编写pipeline类,这个pipeline是一个管道，可以将所有yield关键字返回的数据都交给这个管道处理，但是需要在settings里面配置一下pipeline才行
第四步，运行代码查看效果
- 使用scrapylist查看本地的所有爬虫
liaochengdeMacBook-Pro:scrapyDemoliaocheng$scrapylistdemoliaochengdeMacBook-Pro:scrapyDemoliaocheng$复制代码
- 使用scrapycrawldemo来运行爬虫
scrapycrawldemo复制代码
- 到kibana里面看爬到的数据,执行下面的命令可以看到数据