爬虫笔记八——Scrapy实战项目
(案例一)手机App抓包爬虫
1. items.py
import scrapy class DouyuspiderItem(scrapy.Item): # 存储照片的名字 nickName = scrapy.Field() # 照片的url路径 imageUrl = scrapy.Field() # 照片保存在本地的路径 imagePath = scrapy.Field()
items
2. spiders/douyu.py
# -*- coding: utf-8 -*- import scrapy from douyuSpider.items import DouyuspiderItem import json class DouyuSpider(scrapy.Spider): name = 'douyu' allowed_domains = ['capi.douyucdn.cn'] offset = 0 url = "http://capi.douyucdn.cn/api/v1/getVerticalRoom?limit=20&offset=" start_urls = [url + str(offset)] def parse(self, response): data = json.loads(response.body)["data"] for each in data: item = DouyuspiderItem() item["nickName"] = each["nickname"] item["imageUrl"] = each["vertical_src"] yield item self.offset += 20 nextUrl = re.sub('offset=\d+', 'offset='+str(self.offset), response.url) yield scrapy.Request(nextUrl, callback=self.parse)
spiders/douyu.py
3. 设置setting.py
DEFAULT_REQUEST_HEADERS = { 'User-Agent': 'News 6.6.5 rv:6.6.5.03 (iPhone; iOS 11.2.6; zh_CN) Cronet' } ITEM_PIPELINES = { 'douyuSpider.pipelines.DouyuspiderPipeline': 300, } IMAGES_STORE = 'E:\Python\Spider\day05\douyuSpider\images' # 日志文件名和处理等级 LOG_FILE = "douyu.log" LOG_LEVEL = "DEBUG"
setting
4. pipelines.py
# -*- coding: utf-8 -*- import scrapy from scrapy.exceptions import DropItem from scrapy.utils.project import get_project_settings from scrapy.pipelines.images import ImagesPipeline import os class DouyuspiderPipeline(ImagesPipeline): IMAGES_STORE = get_project_settings().get("IMAGES_STORE") # 根据图片的url生成图片的Request def get_media_requests(self, item, info): image_url = item["imageUrl"] yield scrapy.Request(image_url) # 图片下载完毕之后,处理结果会以二元组的方式作为results参数传递给item_completed函数 # 这个二元组定义如下:(success, image_info_or_failure),第一个元素表示图片是否下载成功,第二个元素是一个字典 # 字典的含义如下:{'url': 图片的url, 'path': 图片的存储地址,跟IMAGE_STORE相关, 'checksum': 图片的内容hash} def item_completed(self, results, item, info): # 如果图片下载成功,则获取图片的存储地址 image_path = [x["path"] for ok, x in results if ok] #print image_path if not image_path: raise DropItem("Item contains no images") # 修改图片的存储地址: os.rename(self.IMAGES_STORE + "\\" + image_path[0], self.IMAGES_STORE + "\\" + item["nickName"] + ".jpg") item["imagePath"] = self.IMAGES_STORE + "\\" + item["nickName"] #print item["imagePath"] return item
pipelines
5. 运行
在项目根目录下新建main.py文件,用于调试 from scrapy import cmdline cmdline.execute("scrapy crawl douyu".split()) 执行程序 python main.py
5.2. (案例二)阳光热线问政平台爬虫
阳光热线问政平台
http://wz.sun0769.com/index.php/question/questionType?type=4
爬取投诉帖子的编号、帖子的url、帖子的标题,和帖子里的内容。
import scrapy class DongguanspiderItem(scrapy.Item): # 每个帖子的标题 title = scrapy.Field() # 每个帖子的编号 number = scrapy.Field() # 每个帖子的文字内容 content = scrapy.Field() # 每个帖子的url url = scrapy.Field()
items.py
spiders/sunwz.py
# -*- coding: utf-8 -*-
import scrapy
from dongguanSpider.items import DongguanspiderItem class DongguanSpider(scrapy.Spider):
name = 'dongguan'
allowed_domains = ['sun0769.com']
url = 'http://wz.sun0769.com/index.php/question/questionType?type=4&page='
headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
offset = 0
start_urls = [url + str(offset)] # 解析每个页面的响应
def parse(self, response):
# 获取每页帖子的链接列表
links = response.xpath('//div[@class="greyframe"]/table//td/a[2]/@href').extract() for link in links:
# 获取每个帖子的Request请求
yield scrapy.Request(link, headers=self.headers, callback=self.parse_item) # 设置页码终止条件为最后一页的page值,
if self.offset <= 88560:
self.offset += 30
# 获取每页的Request请求
yield scrapy.Request(self.url + str(self.offset), headers=self.headers, callback=self.parse) # 解析页面里的每个帖子的响应
def parse_item(self, response):
item = DongguanspiderItem()
titleList = response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()')[0].extract().strip().split()
# 帖子的标题
item['title'] = titleList[0][3:]
# 帖子的编号
item['number'] = titleList[1][3:]
# 帖子的内容,先取出有图片帖子的内容,再取出没有图片帖子的内容
content = response.xpath('//div[@class="contentext"]/text()').extract()
if len(content) == 0:
content = response.xpath('//div[@class="c1 text14_2"]/text()').extract()
item['content'] = "".join(content).strip()
else:
item['content'] = "".join(content).strip()
# 帖子的链接地址
item['url'] = response.url
yield item
Spider版本
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from dongguanSpider.items import DongguanspiderItem class SunSpider(CrawlSpider):
name = 'sun'
allowed_domains = ['sun0769.com']
start_urls = ['http://wz.sun0769.com/index.php/question/questionType?type=4&page=']
# 每页链接的匹配规则
pageLink = LinkExtractor(allow=('type=4'))
# 每个帖子链接的匹配规则
contentLink = LinkExtractor(allow=r'/html/question/\d+/\d+.shtml') rules = (
Rule(pageLink),
Rule(contentLink, callback='parse_item')
) def parse_item(self, response):
item = DongguanspiderItem()
titleList = response.xpath('//div[contains(@class, "pagecenter p3")]//strong/text()')[
0].extract().strip().split()
# 帖子的标题
item['title'] = titleList[0][3:]
# 帖子的编号
item['number'] = titleList[1][3:]
# 帖子的内容,先取出有图片帖子的内容,再取出没有图片帖子的内容
content = response.xpath('//div[@class="contentext"]/text()').extract()
if len(content) == 0:
content = response.xpath('//div[@class="c1 text14_2"]/text()').extract()
# content为列表,通过join方法拼接字符串,并去除首尾空格
item['content'] = "".join(content).strip()
else:
item['content'] = "".join(content).strip()
# 帖子的链接地址
item['url'] = response.url
yield item
CrawlSpider 版本
pipelines.py
# -*- coding: utf-8 -*- # 文件处理类库,可以指定编码格式
import codecs
import json class DongguanspiderPipeline(object):
def __init__(self):
# 创建一个可写文件,指定编码格式为utf-8
self.filename = codecs.open('dongguan.json', 'w', encoding='utf-8') def process_item(self, item, spider):
content = json.dumps(dict(item), ensure_ascii=False) + '\n'
self.filename.write(content)
return item def spider_closed(self, spider):
self.filename.close()
pipelines.py
settings.py
ITEM_PIPELINES = {
'dongguanSpider.pipelines.DongguanspiderPipeline': 300,
} # 日志文件名和处理等级
LOG_FILE = "dg.log"
LOG_LEVEL = "DEBUG"
settings
在项目根目录下新建main.py文件,用于调试 from scrapy import cmdline cmdline.execute("scrapy crawl sun".split()) 执行程序 py2 main.py
5.3. (案例三)新浪网页分类资讯爬虫
爬取新浪网导航页所有分类下所有大类、小类、小类里的子链接,以及子链接页面的新闻内容。
效果演示图:
items.py
import scrapy class SinaspiderItem(scrapy.Item): # 大类的标题 parentTitle = scrapy.Field() # 大类的url parentUrl = scrapy.Field() # 小类的标题 subTitle = scrapy.Field() # 小类的url subUrl = scrapy.Field() # 小类的存储路径 subDir = scrapy.Field() # 文章的url fileUrl = scrapy.Field() # 文章的标题 title = scrapy.Field() # 文章的内容 content = scrapy.Field()
spiders/sina.py
# -*- coding: utf-8 -*- import scrapy from sinaSpider.items import SinaspiderItem import os class SinaSpider(scrapy.Spider): name = 'sina' allowed_domains = ['sina.com.cn'] start_urls = ['http://news.sina.com.cn/guide/'] # 解析首页 def parse(self, response): # 获取大类的标题列表 parentTitleList = response.xpath('//div[@id="tab01"]//h3/a/text()').extract() # 获取大类的url列表 parentUrlList = response.xpath('//div[@id="tab01"]//h3/a/@href').extract() # 遍历大类列表 for i in range(len(parentTitleList)): # 根据大类的标题名新建目录 parentDir = '.\\Data\\' + parentTitleList[i] if not os.path.exists(parentDir): os.makedirs(parentDir) # 获取每个大类下的小类的标题列表 subTitleList = response.xpath('//div[@id="tab01"]/div[{}]//li/a/text()'.format(i+1)).extract() # 获取每个大类下的小类的url列表 subUrlList = response.xpath('//div[@id="tab01"]/div[{}]//li/a/@href'.format(i+1)).extract() # 遍历某一个大类下的小类列表 for j in range(len(subTitleList)): # 根据小类的标题名新建目录 subDir = parentDir + '\\'+ subTitleList[j] if not os.path.exists(subDir): os.makedirs(subDir) item = SinaspiderItem() item['parentTitle'] = parentTitleList[i] item['parentUrl'] = parentUrlList[i] item['subTitle'] = subTitleList[j] item['subUrl'] = subUrlList[j] item['subDir'] = subDir # 发送每个小类的Request请求,在Request中加入meta,即可将meta传递给response作为参数给回调函数使用 yield scrapy.Request(item['subUrl'], meta={'meta_1': item}, callback=self.parse_news) # 解析每个小类的url,爬取每个小类下的文章标题和链接 def parse_news(self, response): # 获取Request请求发送的meta_1参数 meta_1 = response.meta['meta_1'] fileUrlList = response.xpath('//a/@href').re(r'.*\d+\.shtml') for i in range(len(fileUrlList)): item = SinaspiderItem() item['parentTitle'] = meta_1['parentTitle'] item['parentUrl'] = meta_1['parentUrl'] item['subTitle'] = meta_1['subTitle'] item['subUrl'] = meta_1['subUrl'] item['subDir'] = meta_1['subDir'] item['fileUrl'] = fileUrlList[i] # 发送每篇新闻的Request请求,在Request中加入meta,向回调函数parse_content传递参数meta2 yield scrapy.Request(item['fileUrl'], meta={'meta_2': item}, callback=self.parse_content) # 解析每个新闻页,获取新闻标题和内容 def parse_content(self, response): # 获取Request请求发送的meta_2参数 item = response.meta['meta_2'] # 获取新闻的标题 title = response.xpath('//h1[@class="main-title"]/text()')[0].extract() content = '' contentList = response.xpath('//div[@class="article"]/p/text()').extract() # 获取新闻的内容 for content_one in contentList: content += content_one item['title'] = title item['content'] = content yield item
items
pipelines.py
class SinaspiderPipeline(object): def process_item(self, item, spider): fileUrl = item['fileUrl'] # 根据新闻链接地址命名存储新闻的文件名 fileName = item['subDir'] + '\\' + fileUrl[7:-6].replace('/', '_') + '.txt' with open(fileName, 'w') as f: f.write(item['content'].encode('utf-8')) return item
piplines
settings.py
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36" ITEM_PIPELINES = { 'sinaSpider.pipelines.SinaspiderPipeline': 300, } # 日志文件名和处理等级 LOG_FILE = "sina.log" LOG_LEVEL = "DEBUG"
settings
在项目根目录下新建main.py文件,用于调试 from scrapy import cmdline cmdline.execute("scrapy crawl sina".split()) 执行程序 py2 main.py
爬虫笔记八——Scrapy实战项目的更多相关文章
- Python分布式爬虫开发搜索引擎 Scrapy实战视频教程
点击了解更多Python课程>>> Python分布式爬虫开发搜索引擎 Scrapy实战视频教程 课程目录 |--第01集 教程推介 98.23MB |--第02集 windows下 ...
- PYTHON 爬虫笔记十一:Scrapy框架的基本使用
Scrapy框架详解及其基本使用 scrapy框架原理 Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了 ...
- PYTHON 爬虫笔记八:利用Requests+正则表达式爬取猫眼电影top100(实战项目一)
利用Requests+正则表达式爬取猫眼电影top100 目标站点分析 流程框架 爬虫实战 使用requests库获取top100首页: import requests def get_one_pag ...
- Scrapy:学习笔记(2)——Scrapy项目
Scrapy:学习笔记(2)——Scrapy项目 1.创建项目 创建一个Scrapy项目,并将其命名为“demo” scrapy startproject demo cd demo 稍等片刻后,Scr ...
- Scrapy实战-新浪网分类资讯爬虫
项目要求: 爬取新浪网导航页所有下所有大类.小类.小类里的子链接,以及子链接页面的新闻内容. 什么是Scrapy框架: Scrapy是用纯Python实现一个为了爬取网站数据.提取结构性数据而编写的应 ...
- Python实战项目网络爬虫 之 爬取小说吧小说正文
本次实战项目适合,有一定Python语法知识的小白学员.本人也是根据一些网上的资料,自己摸索编写的内容.有不明白的童鞋,欢迎提问. 目的:爬取百度小说吧中的原创小说<猎奇师>部分小说内容 ...
- scrapy爬虫笔记(三)------写入源文件的爬取
开始爬取网页:(2)写入源文件的爬取 为了使代码易于修改,更清晰高效的爬取网页,我们将代码写入源文件进行爬取. 主要分为以下几个步骤: 一.使用scrapy创建爬虫框架: 二.修改并编写源代码,确定我 ...
- Scrapy实战篇(八)之爬取教育部高校名单抓取和分析
本节我们以网址https://daxue.eol.cn/mingdan.shtml为初始链接,爬取教育部公布的正规高校名单. 思路: 1.首先以上面的地址开始链接,抓取到下面省份对应的链接. 2.在解 ...
- 32个Python爬虫实战项目,满足你的项目慌
爬虫项目名称及简介 一些项目名称涉及企业名词,小编用拼写代替 1.[WechatSogou]- weixin公众号爬虫.基于weixin公众号爬虫接口,可以扩展成其他搜索引擎的爬虫,返回结果是列表,每 ...
随机推荐
- SQL Server AlwaysOn原理简介
SQL Server2012所支持的AlwaysOn技术集中了故障转移群集.数据库镜像和日志传送三者的优点,但又不相同.故障转移群集的单位是SQL实例,数据库镜像和日志传送的单位是单个用户数据库,而A ...
- Kotlin之定义变量
java : int n = 30 ; final int m = 30 ; float k = 2.5f; string s = "sss"; short i = 5; bool ...
- Windows下配置DVWA
VWA是用PHP+MySQL编写的一套用于常规Web漏洞教学和检测的Web脆弱性测试程序,包含了SQL注入.XSS.盲注等常见的一些安全漏洞,是一个非常好的网络安全实验平台. 环境配置比较简单, 步骤 ...
- 使用 tcpdump 抓包分析 TCP 三次握手、四次挥手与 TCP 状态转移
目录 文章目录 目录 前文列表 TCP 协议 图示三次握手与四次挥手 抓包结果 抓包分析 TCP 三次握手 数据传输 四次挥手 TCP 端口状态转移 状态转移 前文列表 <常用 tcpdump ...
- kafka代码测试连接
1.发送: package kafka.test; import java.util.Date;import java.util.Properties;import java.util.Random; ...
- java:LeakFilling(JS,JQ)
1.<a href="javascript:void(0)" onclick="dele();"> a标签不使用链接的时候,必须加javascrip ...
- 龙芯软硬件培训个人总结-day2
今天最后一天,主要培训了BSP,QT,KVM云计算相关的内容.大致总结了一些自己关注的点.培训的资料已上传至服务器,如果需要可关注下方二维码,后台直接回复“资料”获取.关于实战的资料还未导出,等导出 ...
- java高斯消元模板
//package fuc; import java.io.PrintStream; import java.math.BigInteger; import java.util.Scanner; pu ...
- 【HTTP】三、HTTP状态保持机制(Cookie和Session)
前面我们提到HTTP协议的特点:无连接.无状态.无连接带来的时间开销随着HTTP/1.1引入了持久连接的机制得到了解决.现在来关注其"无状态"的特点. 所谓的无状态,就是指 ...
- 【Deep Learning Nanodegree Foundation笔记】第 9 课:Model Evaluation and Validation
In this lesson, you'll learn some of the basics of training models. You'll learn the power of testin ...