最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

python爬蟲框架talonspider簡單介紹

 更新時(shí)間:2017年06月09日 08:40:35   作者:howie6879  
本文給大家介紹的是使用python開發(fā)的爬蟲框架talonspider的簡單介紹以及使用方法,有需要的小伙伴可以參考下

1.為什么寫這個(gè)?

一些簡單的頁面,無需用比較大的框架來進(jìn)行爬取,自己純手寫又比較麻煩

因此針對(duì)這個(gè)需求寫了talonspider:

•1.針對(duì)單頁面的item提取 - 具體介紹點(diǎn)這里
•2.spider模塊 - 具體介紹點(diǎn)這里

2.介紹&&使用

2.1.item

這個(gè)模塊是可以獨(dú)立使用的,對(duì)于一些請(qǐng)求比較簡單的網(wǎng)站(比如只需要get請(qǐng)求),單單只用這個(gè)模塊就可以快速地編寫出你想要的爬蟲,比如(以下使用python3,python2見examples目錄):

2.1.1.單頁面單目標(biāo)

比如要獲取這個(gè)網(wǎng)址http://book.qidian.com/info/1004608738 的書籍信息,封面等信息,可直接這樣寫:

import time
from talonspider import Item, TextField, AttrField
from pprint import pprint

class TestSpider(Item):
  title = TextField(css_select='.book-info>h1>em')
  author = TextField(css_select='a.writer')
  cover = AttrField(css_select='a#bookImg>img', attr='src')

  def tal_title(self, title):
    return title

  def tal_cover(self, cover):
    return 'http:' + cover

if __name__ == '__main__':
  item_data = TestSpider.get_item(url='http://book.qidian.com/info/1004608738')
  pprint(item_data)

具體見qidian_details_by_item.py

2.1.1.單頁面多目標(biāo)

比如獲取豆瓣250電影首頁展示的25部電影,這一個(gè)頁面有25個(gè)目標(biāo),可直接這樣寫:

from talonspider import Item, TextField, AttrField
from pprint import pprint

# 定義繼承自item的爬蟲類
class DoubanSpider(Item):
  target_item = TextField(css_select='div.item')
  title = TextField(css_select='span.title')
  cover = AttrField(css_select='div.pic>a>img', attr='src')
  abstract = TextField(css_select='span.inq')

  def tal_title(self, title):
    if isinstance(title, str):
      return title
    else:
      return ''.join([i.text.strip().replace('\xa0', '') for i in title])

if __name__ == '__main__':
  items_data = DoubanSpider.get_items(url='https://movie.douban.com/top250')
  result = []
  for item in items_data:
    result.append({
      'title': item.title,
      'cover': item.cover,
      'abstract': item.abstract,
    })
  pprint(result)

具體見douban_page_by_item.py

2.2.spider

當(dāng)需要爬取有層次的頁面時(shí),比如爬取豆瓣250全部電影,這時(shí)候spider部分就派上了用場(chǎng):

# !/usr/bin/env python
from talonspider import Spider, Item, TextField, AttrField, Request
from talonspider.utils import get_random_user_agent


# 定義繼承自item的爬蟲類
class DoubanItem(Item):
  target_item = TextField(css_select='div.item')
  title = TextField(css_select='span.title')
  cover = AttrField(css_select='div.pic>a>img', attr='src')
  abstract = TextField(css_select='span.inq')

  def tal_title(self, title):
    if isinstance(title, str):
      return title
    else:
      return ''.join([i.text.strip().replace('\xa0', '') for i in title])


class DoubanSpider(Spider):
  # 定義起始url,必須
  start_urls = ['https://movie.douban.com/top250']
  # requests配置
  request_config = {
    'RETRIES': 3,
    'DELAY': 0,
    'TIMEOUT': 20
  }
  # 解析函數(shù) 必須有
  def parse(self, html):
    # 將html轉(zhuǎn)化為etree
    etree = self.e_html(html)
    # 提取目標(biāo)值生成新的url
    pages = [i.get('href') for i in etree.cssselect('.paginator>a')]
    pages.insert(0, '?start=0&filter=')
    headers = {
      "User-Agent": get_random_user_agent()
    }
    for page in pages:
      url = self.start_urls[0] + page
      yield Request(url, request_config=self.request_config, headers=headers, callback=self.parse_item)

  def parse_item(self, html):
    items_data = DoubanItem.get_items(html=html)
    # result = []
    for item in items_data:
      # result.append({
      #   'title': item.title,
      #   'cover': item.cover,
      #   'abstract': item.abstract,
      # })
      # 保存
      with open('douban250.txt', 'a+') as f:
        f.writelines(item.title + '\n')


if __name__ == '__main__':
  DoubanSpider.start()

控制臺(tái):

/Users/howie/anaconda3/envs/work3/bin/python /Users/howie/Documents/programming/python/git/talonspider/examples/douban_page_by_spider.py
2017-06-07 23:17:30,346 - talonspider - INFO: talonspider started
2017-06-07 23:17:30,693 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250
2017-06-07 23:17:31,074 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=25&filter=
2017-06-07 23:17:31,416 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=50&filter=
2017-06-07 23:17:31,853 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=75&filter=
2017-06-07 23:17:32,523 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=100&filter=
2017-06-07 23:17:33,032 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=125&filter=
2017-06-07 23:17:33,537 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=150&filter=
2017-06-07 23:17:33,990 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=175&filter=
2017-06-07 23:17:34,406 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=200&filter=
2017-06-07 23:17:34,787 - talonspider_requests - INFO: GET a url: https://movie.douban.com/top250?start=225&filter=
2017-06-07 23:17:34,809 - talonspider - INFO: Time usage:0:00:04.462108

Process finished with exit code 0

此時(shí)當(dāng)前目錄會(huì)生成douban250.txt,具體見douban_page_by_spider.py。

3.說明

學(xué)習(xí)之作,待完善的地方還有很多,歡迎提意見,項(xiàng)目地址talonspider。

相關(guān)文章

  • Django forms組件的使用教程

    Django forms組件的使用教程

    服務(wù)端假設(shè)所有用戶提交的數(shù)據(jù)都是不可信任的,所以Django框架內(nèi)置了form組件來驗(yàn)證用戶提交的信息,這篇文章主要介紹了Django forms組件的使用教程,感興趣的小伙伴們可以參考一下
    2018-10-10
  • Flask框架學(xué)習(xí)筆記之使用Flask實(shí)現(xiàn)表單開發(fā)詳解

    Flask框架學(xué)習(xí)筆記之使用Flask實(shí)現(xiàn)表單開發(fā)詳解

    這篇文章主要介紹了Flask框架學(xué)習(xí)筆記之使用Flask實(shí)現(xiàn)表單開發(fā),結(jié)合實(shí)例形式較為詳細(xì)的分析了flask框架表單模板定義、數(shù)據(jù)提交等相關(guān)操作技巧,需要的朋友可以參考下
    2019-08-08
  • python腳本當(dāng)作Linux中的服務(wù)啟動(dòng)實(shí)現(xiàn)方法

    python腳本當(dāng)作Linux中的服務(wù)啟動(dòng)實(shí)現(xiàn)方法

    今天小編就為大家分享一篇python腳本當(dāng)作Linux中的服務(wù)啟動(dòng)實(shí)現(xiàn)方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧
    2019-06-06
  • python 實(shí)現(xiàn)文件的遞歸拷貝實(shí)現(xiàn)代碼

    python 實(shí)現(xiàn)文件的遞歸拷貝實(shí)現(xiàn)代碼

    今天翻電腦時(shí)突然發(fā)現(xiàn)有個(gè)存了很多照片和視頻的文件夾,想起來是去年換手機(jī)(流行的小5)時(shí)拷出來的??戳藥讖堈掌掠忠荒荒坏母‖F(xiàn)在腦海,好吧,我是個(gè)感性的人
    2012-08-08
  • ID3決策樹以及Python實(shí)現(xiàn)詳細(xì)過程

    ID3決策樹以及Python實(shí)現(xiàn)詳細(xì)過程

    決策樹是我本人非常喜歡的機(jī)器學(xué)習(xí)模型,非常直觀容易理解,并且和數(shù)據(jù)結(jié)構(gòu)的結(jié)合很緊密,下面這篇文章主要給大家介紹了關(guān)于ID3決策樹以及Python實(shí)現(xiàn)的相關(guān)資料,需要的朋友可以參考下
    2024-01-01
  • Python2與Python3關(guān)于字符串編碼處理的差別總結(jié)

    Python2與Python3關(guān)于字符串編碼處理的差別總結(jié)

    這篇文章主要給大家介紹了Python2與Python3關(guān)于字符串編碼處理差別的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-09-09
  • Python?字典中鍵映射多個(gè)值的問題解決

    Python?字典中鍵映射多個(gè)值的問題解決

    本文主要介紹了在Python中實(shí)現(xiàn)一個(gè)字典multidict中鍵可以對(duì)應(yīng)多個(gè)值,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2025-01-01
  • 如何高效使用Python字典的方法詳解

    如何高效使用Python字典的方法詳解

    Dictionary 是 Python 的內(nèi)置數(shù)據(jù)類型之一,它定義了鍵和值之間一對(duì)一的關(guān)系。下面這篇文章主要給大家介紹了關(guān)于如何高效使用Python字典的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),需要的朋友可以參考借鑒,下面來一起看看吧。
    2017-08-08
  • python 中文編碼亂碼問題的解決

    python 中文編碼亂碼問題的解決

    中文編碼問題一直是程序員頭疼的問題,本文將盡量用通俗的語言帶大家徹底的了解字符編碼以及Python2和3中的各種編碼問題。感興趣的可以了解一下
    2021-11-11
  • Python使用剪切板的方法

    Python使用剪切板的方法

    這篇文章主要為大家詳細(xì)介紹了Python使用剪切板的方法,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2017-06-06

最新評(píng)論

海盐县| 南漳县| 博爱县| 漳平市| 海阳市| 竹山县| 江山市| 句容市| 泸溪县| 天等县| 湖州市| 深泽县| 宁晋县| 子长县| 措勤县| 罗山县| 凤山县| 乾安县| 边坝县| 濮阳市| 延寿县| 汪清县| 桂林市| 个旧市| 辽中县| 阳朔县| 阿鲁科尔沁旗| 泰宁县| 同德县| 泗洪县| 南充市| 二连浩特市| 安龙县| 潜江市| 凌海市| 武陟县| 丹棱县| 比如县| 鹰潭市| 喀什市| 南和县|