21天打造分布式爬虫-Crawl类爬取小程序社区(八)
8.1.Crawl的用法实战
新建项目
- scrapy startproject wxapp
- scrapy genspider -t crawl wxapp_spider "wxapp-union.com"
wxapp_spider.py
- # -*- coding: utf-8 -*-
- import scrapy
- from scrapy.linkextractors import LinkExtractor
- from scrapy.spiders import CrawlSpider, Rule
- from wxapp.items import WxappItem
- class WxappSpiderSpider(CrawlSpider):
- name = 'wxapp_spider'
- allowed_domains = ['wxapp-union.com']
- start_urls = ['http://www.wxapp-union.com/portal.php?mod=list&catid=2&page=1']
- rules = (
- Rule(LinkExtractor(allow=r'.+mod=list&catid=\d'), follow=True),
- Rule(LinkExtractor(allow=r'.+article-.+\.html'), callback="parse_detail",follow=False),
- )
- def parse_detail(self, response):
- title = response.xpath("//h1[@class='ph']/text()").get()
- author_p = response.xpath("//p[@class='authors']")
- author = author_p.xpath(".//a/text()").get()
- pub_time = author_p.xpath(".//span/text()").get()
- article_content = response.xpath("//td[@id='article_content']//text()").getall()
- content = "".join(article_content).strip()
- item = WxappItem(title=title,author=author,pub_time=pub_time,content=content)
- return item
items.py
- # -*- coding: utf-8 -*-
- import scrapy
- class WxappItem(scrapy.Item):
- title = scrapy.Field()
- author = scrapy.Field()
- pub_time = scrapy.Field()
- content = scrapy.Field()
pipelines.py
- # -*- coding: utf-8 -*-
- from scrapy.exporters import JsonLinesItemExporter
- class WxappPipeline(object):
- def __init__(self):
- self.fp = open('wxapp.json','wb')
- self.exporter = JsonLinesItemExporter(self.fp, ensure_ascii=False, encoding='utf-8')
- def process_item(self, item, spider):
- self.exporter.export_item(item)
- return item
- def close_spider(self, spider):
- self.fp.close()
settings.py
- ROBOTSTXT_OBEY = False
- DOWNLOAD_DELAY = 1
- DEFAULT_REQUEST_HEADERS = {
- 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
- 'Accept-Language': 'en',
- 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36',
- }
- ITEM_PIPELINES = {
- 'wxapp.pipelines.WxappPipeline': 300,
- }
start.py
- from scrapy import cmdline
- cmdline.execute("scrapy crawl wxapp_spider".split())
21天打造分布式爬虫-Crawl类爬取小程序社区(八)的更多相关文章
- 21天打造分布式爬虫-Spider类爬取糗事百科(七)
7.1.糗事百科 安装 pip install pypiwin32 pip install Twisted-18.7.0-cp36-cp36m-win_amd64.whl pip install sc ...
- 21天打造分布式爬虫-Selenium爬取拉钩职位信息(六)
6.1.爬取第一页的职位信息 第一页职位信息 from selenium import webdriver from lxml import etree import re import time c ...
- 21天打造分布式爬虫-urllib库(一)
1.1.urlopen函数的用法 #encoding:utf-8 from urllib import request res = request.urlopen("https://www. ...
- 21天打造分布式爬虫-requests库(二)
2.1.get请求 简单使用 import requests response = requests.get("https://www.baidu.com/") #text返回的是 ...
- 爬虫实战——Scrapy爬取伯乐在线所有文章
Scrapy简单介绍及爬取伯乐在线所有文章 一.简说安装相关环境及依赖包 1.安装Python(2或3都行,我这里用的是3) 2.虚拟环境搭建: 依赖包:virtualenv,virtualenvwr ...
- 【转载】教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神
原文:教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神 本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http:/ ...
- Python爬虫实战之爬取百度贴吧帖子
大家好,上次我们实验了爬取了糗事百科的段子,那么这次我们来尝试一下爬取百度贴吧的帖子.与上一篇不同的是,这次我们需要用到文件的相关操作. 本篇目标 对百度贴吧的任意帖子进行抓取 指定是否只抓取楼主发帖 ...
- 爬虫入门之爬取策略 XPath与bs4实现(五)
爬虫入门之爬取策略 XPath与bs4实现(五) 在爬虫系统中,待抓取URL队列是很重要的一部分.待抓取URL队列中的URL以什么样的顺序排列也是一个很重要的问题,因为这涉及到先抓取那个页面,后抓取哪 ...
- Python 网络爬虫 002 (入门) 爬取一个网站之前,要了解的知识
网站站点的背景调研 1. 检查 robots.txt 网站都会定义robots.txt 文件,这个文件就是给 网络爬虫 来了解爬取该网站时存在哪些限制.当然了,这个限制仅仅只是一个建议,你可以遵守,也 ...
随机推荐
- POJ-2253.Frogger.(求每条路径中最大值的最小值,最短路变形)
做到了这个题,感觉网上的博客是真的水,只有kuangbin大神一句话就点醒了我,所以我写这篇博客是为了让最短路的入门者尽快脱坑...... 本题思路:本题是最短路的变形,要求出最短路中的最大跳跃距离, ...
- H3C网络设备配置SSH登录
使用SSH+密码认证(基本SSH配置方法)注:在用户使用SSH登录交换机时,交换机对所要登录的用户使用密码对其进行身份验证生成RSA和DSA密钥对[H3C]public-key local creat ...
- AltiumDesigner 常用快捷键小结
Ctrl + o | 打开文件夹/文档 Ctrl + p | 打印设置 Esc | 从当前步骤退出 Shift +鼠标滚轮 | 向左/向右移动 Ctrl + C (或 Ctrl + ...
- 508. Most Frequent Subtree Sum 最频繁的子树和
[抄题]: Given the root of a tree, you are asked to find the most frequent subtree sum. The subtree sum ...
- nodejs+https 使用openssl (window)
HTML的getUsermedia必是要安全的连接 比如 localhost.127.0.0.1 .https chrome才让调用摄像头 1.申请域名.备案.域名解析 2.openssl生成 打开g ...
- Solidity的三种合约间的调用方式 call、delegatecall 和 callcode
0x00 前言 Solidity(http://solidity.readthedocs.io/en/v0.4.24/) 是一种用与编写以太坊智能合约的高级语言,语法类似于 JavaScript. S ...
- 二、putty的下载安装和基本使用方法教程
转载自:https://baijiahao.baidu.com/s?id=1597811787635071952&wfr=spider&for=pc PuTTY是一款开源(Open S ...
- Linux系统中的tar命令
时间一长什么东西都容易忘记,尤其是一些不常用的东西忘记的更快,所以避免忘记,就记录下来,可以方面使用的时候查询.Tar命令在linux系统中算是一个比较重要的命令,今天就针对该命令进行总结一下. 1. ...
- Python开发——【条件】语句
单分支 # if 条件: # 满足条件后要执行的代码 if 2>1: print("2>1") 双分支 # if 条件: # 满足条件后要执行的代码 # else: # ...
- Android通过手机搭建服务器,WIFI建立热点实现C/S聊天室通信功能
应用效果图: 客户端 ...