python+SQLAlchemy+爬虫
python+SQLAlchemy+爬虫
前面分享了SQLAlchemy的知识,这次我共享一下学习用python开发爬虫再把爬出来的数据放到用SQLAlchemy的数据库上面的知识,当然我这个是带测试,后面我和附带用TDD写的测试。
- """
- 一个简单的豆瓣音乐前250爬虫
- Author: Jar.guo email:1418229458@qq.com
- Date: 2016-08-27
- Language: Python2.7.10
- """
- import urllib2
- import sys
- from lxml import html
- from MusicORM import Music,MusicORMHelper
- reload(sys)
- sys.setdefaultencoding('utf8')
类的简要说明
本类主要用于抓取豆瓣图书Top前250的书籍的名称
Attributes:
cur_url: 用于表示当前争取抓取页面的url
datas: 存储处理好的抓取到的图书名称
- class MusicPicker(object):
- def __init__(self):
- self.cur_url = "https://music.douban.com/chart"
- self.datas = []
# 储存的数据库- self.db=MusicORMHelper("flaskr.db")
- self.db.create_db()
- print "豆瓣音乐爬虫准备就绪, 准备爬取数据..."
Returns:
返回抓取到整个页面的HTML(unicode编码)
Raises:
URLError:url引发的异常
- def Acquire_music_open(self):
- try:
- html_string = urllib2.urlopen(self.cur_url).read().decode("utf-8")
- except urllib2.URLError, e:
- if hasattr(e, "code"):
- print "The server couldn't fulfill the request."
- print "Error code: %s" % e.code
- elif hasattr(e, "reason"):
- print "We failed to reach a server. Please check your url and read the Reason"
- print "Reason: %s" % e.reason
- return html_string
通过返回的整个网页HTML, 正则匹配前250的书籍名称
Args:
content_items: 传入页面的HTML文本进行匹配,这里用的不是正则
- def select_music_Content(self, html_string):
- tree = html.fromstring(html_string)
- content_items = tree.xpath('//a[@href="javascript:;"]/text()')
- return content_items
下面是简单的内容处理的问题
- def form_music_Content(self, content_items):
- top_num = 1
- temp_data = []
- for index, item in enumerate(content_items):
- if (item.find(" ") == -1 and top_num<=10):
- temp_data.append("第" + str(top_num) + "名 " + item)
- top_num += 1
- self.datas.extend(temp_data)
- return self.datas
爬虫入口, 并控制爬虫抓取页面的范围
- def start_music_spider(self):
- my_page = self.Acquire_music_open()
- content_items = self.select_music_Content(my_page)
- self.form_music_Content(content_items)
这里我们来写一个插入数据库的方法
- def exportData(self, music):
- return self.db.addmusic(music)
最后我们对前面的进行一下处理
- def main():
print """
###############################
一个简单的豆瓣音乐前250爬虫
Jar.guo email:1418229458@qq.com
Date: 2016-08-27
###############################
"""
my_spider = MusicPicker()
my_spider.start_music_spider()
# 在这里对爬出来的内容进行迭代并且插入数据库,并且在这里我们把结果打印出来,方便检查爬虫爬出来的内容是不是自己想要的
for item in my_spider.datas:
item_unicode = unicode(item)
my_spider.exportData(Music(item_unicode,item_unicode))- print item
- print "spider is done..."
- if __name__ == '__main__':
main()
下面我发一下相关测试
- from MusicORM import Music
- from musicPicker import MusicPicker
- import unittest # 包含单元测试模块
- import sys
- reload(sys)
- sys.setdefaultencoding('utf8')
- class filmReptileTests(unittest.TestCase):
- def setUp(self): # 单元测试环境配置
- self.spider= MusicPicker()
- def tearDown(self): # 单元测试环境清除
- self.spider =None
- def testInit(self):
- self.assertIsNotNone(self.spider)
- self.assertIsNotNone(self.spider.cur_url)
- self.assertEqual(self.spider.cur_url,"https://music.douban.com/chart")
- self.assertEqual(self.spider.datas,[])
- def testGet_page_string(self):
- self.assertIsNotNone(self.spider.Acquire_music_open())
- def testFind_title(self):
- html_string=self.spider.Acquire_music_open()
- titles=self.spider.select_music_Content(html_string)
- self.assertIsNotNone(titles)
- titles_length=len(titles)
- model = self.spider.form_music_Content(titles)
- model_length=len(model)
- self.assertGreater(titles_length, 0)
- self.assertEqual(titles_length,20)
- self.assertIsNotNone(model)
- self.assertEqual(model_length, 10)
- def testExportData(self):
- html_string=self.spider.Acquire_music_open()
- titles=self.spider.select_music_Content(html_string)
- self.assertIsNotNone(titles)
- titles_length=len(titles)
- model = self.spider.form_music_Content(titles)
- model_length=len(model)
- self.assertGreater(titles_length, 0)
- self.assertEqual(titles_length,20)
- self.assertIsNotNone(model)
- self.assertEqual(model_length, 10)
- for item in model:
- isSuccess=self.spider.exportData(Music(unicode( item), unicode( item)))
- self.assertTrue(isSuccess)
python+SQLAlchemy+爬虫的更多相关文章
- 第三百六十七节,Python分布式爬虫打造搜索引擎Scrapy精讲—elasticsearch(搜索引擎)scrapy写入数据到elasticsearch中
第三百六十七节,Python分布式爬虫打造搜索引擎Scrapy精讲—elasticsearch(搜索引擎)scrapy写入数据到elasticsearch中 前面我们讲到的elasticsearch( ...
- 第三百四十八节,Python分布式爬虫打造搜索引擎Scrapy精讲—通过自定义中间件全局随机更换代理IP
第三百四十八节,Python分布式爬虫打造搜索引擎Scrapy精讲—通过自定义中间件全局随机更换代理IP 设置代理ip只需要,自定义一个中间件,重写process_request方法, request ...
- 第三百四十二节,Python分布式爬虫打造搜索引擎Scrapy精讲—爬虫数据保存
第三百四十二节,Python分布式爬虫打造搜索引擎Scrapy精讲—爬虫数据保存 注意:数据保存的操作都是在pipelines.py文件里操作的 将数据保存为json文件 spider是一个信号检测 ...
- Python 3爬虫、数据清洗与可视化实战PDF高清完整版免费下载|百度云盘
百度云盘:Python 3爬虫.数据清洗与可视化实战PDF高清完整版免费下载 提取码: 内容简介 <Python 3爬虫.数据清洗与可视化实战>是一本通过实战教初学者学习采集数据.清洗和组 ...
- Python简单爬虫入门三
我们继续研究BeautifulSoup分类打印输出 Python简单爬虫入门一 Python简单爬虫入门二 前两部主要讲述我们如何用BeautifulSoup怎去抓取网页信息以及获取相应的图片标题等信 ...
- Ubuntu下配置python完成爬虫任务(笔记一)
Ubuntu下配置python完成爬虫任务(笔记一) 目标: 作为一个.NET汪,是时候去学习一下Linux下的操作了.为此选择了python来边学习Linux,边学python,熟能生巧嘛. 前期目 ...
- Python简单爬虫入门二
接着上一次爬虫我们继续研究BeautifulSoup Python简单爬虫入门一 上一次我们爬虫我们已经成功的爬下了网页的源代码,那么这一次我们将继续来写怎么抓去具体想要的元素 首先回顾以下我们Bea ...
- python SQLAlchemy
这里我们记录几个python SQLAlchemy的使用例子: 如何对一个字段进行自增操作 user = session.query(User).with_lockmode('update').get ...
- [Python] 网络爬虫和正则表达式学习总结
以前在学校做科研都是直接利用网上共享的一些数据,就像我们经常说的dataset.beachmark等等.但是,对于实际的工业需求来说,爬取网络的数据是必须的并且是首要的.最近在国内一家互联网公司实习, ...
随机推荐
- Java编程思想(后)
Java编程思想(后) 持有对象 如果一个程序只包含固定数量的且其生命期都是已知的对象,那么这是一个非常简单的程序. Java中的库基本类型: List, Set, Queue和Map --- 称为集 ...
- Discuz x 转码要记
Discuz 开源项目仅保留了 UTF8 编码版本,要从GBK版本升级,须进行编码转换. 转换主要执行以下步骤: 关闭网站,做好源文件备份: 导出数据库,在MySQL中生成Self-Contained ...
- 一篇文章搞懂Android组件化
网上组件化的文章很多,我本人学习组建化的过程也借鉴了网上先辈们的文章.但大多数文章都从底层的细枝末节开始讲述,由下而上给人一种这门技术“博大精深”望而生畏的感觉.而我写这篇文章的初衷就是由上而下,希望 ...
- cadcam
Email:kefu007@vip.qq.com 13D TIMON 2007 英語版2007 23DVIA Composer V6R2013 中文版2013 3ABQUS V6.11 6.11 4A ...
- windows下安装Python虚拟环境virtualenvwrapper-win
1 前言 由于Python的版本众多,还有Python2和Python3的争论,因此有些软件包或第三方库就容易出现版本不兼容的问题. 通过 virtualenv 这个工具,就可以构建一系列 虚拟的 ...
- C# 通过 Quartz .NET 实现 schedule job 的处理
在实际项目的开发过程中,会有这样的功能需求:要求创建一些Job定时触发运行,比如进行一些数据的同步. 那么在 .Net Framework 中如何实现这个Timer Job的功能呢? 这里所讲的是借助 ...
- 重新拾取:TFS2017钉钉机器人源代码签入通知
http://www.cnblogs.com/79039535/p/9316791.html 现在很多公司办公都使用钉钉打卡签到,于是鉴于公司也使用钉钉就打算用钉钉来做一个源代码签入通知. 首先先去打 ...
- Amazon新一代云端关系数据库Aurora
在2017年5月芝加哥举办的世界顶级数据库会议SIGMOD/PODS上,作为全球最大的公有云服务提供商,Amazon首次系统的总结了新一代云端关系数据库Aurora的设计实现.Aurora是Amazo ...
- Windows phone 8.1之数据绑定(Data Binding)
学习Winphone8.1的时候经常需要对Slider进行数据绑定后使之视觉化,方便调节Slider的值. 数据绑定分为源(Source)和目标(Target),Source一般分为两种,其他控件的数 ...
- 网络对抗技术 20165220 Exp3 免杀原理与实践
实验任务 1 正确使用msf编码器,msfvenom生成如jar之类的其他文件,veil-evasion,自己利用shellcode编程等免杀工具或技巧: 2 通过组合应用各种技术实现恶意代码免杀(1 ...