爬去当当书籍信息

多台机器同时爬取,共用一个redis记录 scrapy_redis

带爬取的request对象储存在redis中,每台机器读取request对象并删除记录,经行爬取。实现分布式爬虫

import scrapy
from scrapy_redis.spiders import RedisSpider
from copy import deepcopy class DangdangSpider(RedisSpider):
name = 'dangdang'
allowed_domains = ['dangdang.com']
# 开始爬虫,会从redis的key中读取start_url.
redis_key = "dangdang" # lpush dangdang 'http://book.dangdang.com/' def parse(self, response):
# 大分类
div_list = response.xpath("//div[@class='con flq_body']/div")[:-4]
print(len(div_list), 'duoshao')
for div in div_list:
item = {}
item['b_cate'] = div.xpath("./dl/dt//text()").extract()
item['b_cate'] = [i.strip() for i in item['b_cate'] if len(i.strip())>0] # 过滤掉空字符
print('b_cate:', item['b_cate'])
# 中间分类
if item['b_cate'] == ['创意文具']:
print(item['b_cate'], "pass......")
item['m_cate'] = None
item['s_cate_url'] = div.xpath("./dl/dt/a/@ddt-src").extract_first()
print('s_cate_url:', item['m_cate'])
# yield scrapy.Request(
# item['s_cate_url'],
# callback=self.parse_special,
# meta={'item': deepcopy(item)}
# )
else:
dl_list = div.xpath(".//dl[@class='inner_dl']")
for dl in dl_list:
item['m_cate'] = dl.xpath("./dt//text()").extract()
item['m_cate'] = [i.strip() for i in item['m_cate'] if len(i.strip())>0]
# 小分类
dd_list = dl.xpath("./dd")
for dd in dd_list:
item['s_cate'] = dd.xpath("./a/@title").extract_first()
item['s_cate_url'] = dd.xpath("./a/@ddt-src").extract_first()
# 小分类的所有书籍
if item['s_cate_url'] is not None:
yield scrapy.Request(
item['s_cate_url'],
callback=self.parse_books,
meta={'item': deepcopy(item)}
) def parse_special(self, response):
''' 文具信息 '''
pass def parse_books(self, response):
item = response.meta['item']
# 当前小分类的书籍
li_list = response.xpath("//ul[@class='list_aa ']/li")
if li_list is not None:
for li in li_list:
try:
item['book_price'] = li.xpath(".//span[@class='num']/text()").extract_first() + \
li.xpath(".//span[@class='tail']/text()").extract_first()
except:
item['book_price'] = 'Unknown'
item['book_url'] = li.xpath("./a/@href").extract_first()
if item['book_url'] is not None:
yield scrapy.Request(
item['book_url'],
callback=self.parse_book_detail,
meta={'item': deepcopy(item)}
) def parse_book_detail(self, response):
item = response.meta['item']
item['book_name'] = response.xpath("//div[@class='name_info']/h1/img/text()").extract_first()
item['book_desc'] = response.xpath("//span[@class='head_title_name']/text()").extract_first()
# 这一本书籍的详细信息
span_list = response.xpath("//div[@class='messbox_info']/span")
item['book_author'] = span_list.xpath("./span[1]/a/text()").extract() # 可能多个作者
item['publisher'] = span_list.xpath("./span[2]/a/text()").extract_first()
item['pub_date'] = span_list.xpath("./span[3]/text()").extract_first()
print(item)
# yield item

scrapy 分布式爬虫- RedisSpider的更多相关文章

  1. 第三百五十六节,Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy分布式爬虫要点

    第三百五十六节,Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy分布式爬虫要点 1.分布式爬虫原理 2.分布式爬虫优点 3.分布式爬虫需要解决的问题

  2. scrapy分布式爬虫scrapy_redis二篇

    =============================================================== Scrapy-Redis分布式爬虫框架 ================ ...

  3. scrapy分布式爬虫scrapy_redis一篇

    分布式爬虫原理 首先我们来看一下scrapy的单机架构:     可以看到,scrapy单机模式,通过一个scrapy引擎通过一个调度器,将Requests队列中的request请求发给下载器,进行页 ...

  4. Scrapy分布式爬虫,分布式队列和布隆过滤器,一分钟搞定?

    使用Scrapy开发一个分布式爬虫?你知道最快的方法是什么吗?一分钟真的能 开发好或者修改出 一个分布式爬虫吗? 话不多说,先让我们看看怎么实践,再详细聊聊细节~ 快速上手 Step 0: 首先安装 ...

  5. 三十五 Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy分布式爬虫要点

    1.分布式爬虫原理 2.分布式爬虫优点 3.分布式爬虫需要解决的问题

  6. Scrapy分布式爬虫打造搜索引擎- (二)伯乐在线爬取所有文章

    二.伯乐在线爬取所有文章 1. 初始化文件目录 基础环境 python 3.6.5 JetBrains PyCharm 2018.1 mysql+navicat 为了便于日后的部署:我们开发使用了虚拟 ...

  7. Centos7__Scrapy + Scrapy_redis 用Docker 实现分布式爬虫

    原理:其实就是用到redis的优点及特性,好处自己查--- 1,scrapy 分布式爬虫配置: settings.py BOT_NAME = 'first' SPIDER_MODULES = ['fi ...

  8. Scrapy框架之基于RedisSpider实现的分布式爬虫

    需求:爬取的是基于文字的网易新闻数据(国内.国际.军事.航空). 基于Scrapy框架代码实现数据爬取后,再将当前项目修改为基于RedisSpider的分布式爬虫形式. 一.基于Scrapy框架数据爬 ...

  9. 爬虫--Scrapy-基于RedisSpider实现的分布式爬虫

    爬取网易新闻 需求:爬取的是基于文字的新闻数据(国内,国际,军事,航空) 先编写基于scrapycrawl 先创建工程 scrapy startproject 58Pro cd 58Pro 新建一个爬 ...

随机推荐

  1. Spring Cloud Alibaba学习笔记(14) - Spring Cloud Stream + RocketMQ实现分布式事务

    发送消息 在Spring消息编程模型下,使用RocketMQ收发消息 一文中,发送消息使用的是RocketMQTemplate类. 在集成了Spring Cloud Stream之后,我们可以使用So ...

  2. C#方法(用法,参数)

    方法:是一种用于实现可以由对象或类执行的计算或操作的成员,是一个已命名的语句集.方法就是把一些相关的语句组织到一起,用来执行一个任务的语句块.比如每个C#程序至少带一个main函数 1.格式:修饰符  ...

  3. Python之特征工程-3

    一.什么是特征工程?其实也是数据处理的一种方式,和前面的原始数据不一样的是,我们在原始数据的基础上面,通过提取有效特征,来预测目标值.而想要更好的去得出结果,包括前面使用的数据处理中数据特征提取,新增 ...

  4. springboot_2

    1. 配置文件简介 spring boot使用一个全局配置文件:application.properties或者application.yml,放置在src/main/resources目录下或者类路 ...

  5. Windows cmd操作文件夹

    ir // 列出目录下所有文件夹 rd dirname // 删除dirname文件夹(空文件夹) rd /s/q dirname // 删除dirname文件夹(非空)

  6. ribbon的理解

    什么是ribbon? Ribbo是一个基于HTTP和TCP的客户端负载均衡器 什么是客户端负载均衡? 客户端负载均衡和服务端负载均衡最大的区别在于服务清单所存储的位置. 在客户端负载均衡中,所有的客户 ...

  7. git一些简单运用

    1.删除本地文件后,继续从远处仓库拉取回来,提示up-to-date,执行如下 git reset --hard origin/master 待补充

  8. C++ 解决文件重复包含

    // 如果zzz没有定义就定义zzz,然后执行下面的代码,定义了就不执行 #if !defined(zzz) #define zzz struct PPoint { int x; int y; }; ...

  9. 使用browser-sync预览pandoc markdown???

    由于 pandoc markdown在sublime下面并不能很好的预览,因此可以直接 使用 pandoc build成html,然后借助下面的工具进行实时在浏览器里面预览 http://www.br ...

  10. lumen生成key

    在Lumen控制台运行php artisan key:generate提示: $ php artisan key:generate [Symfony\Component\Console\Excepti ...