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Scrapy框架CrawlSpider原理及使用案例

 更新時間:2020年11月20日 10:17:57   作者:迎風(fēng)而來  
這篇文章主要介紹了Python爬蟲Scrapy框架(CrawlSpider),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下

提問:如果想要通過爬蟲程序去爬取”糗百“全站數(shù)據(jù)新聞數(shù)據(jù)的話,有幾種實現(xiàn)方法?

方法一:基于Scrapy框架中的Spider的遞歸爬去進行實現(xiàn)的(Request模塊回調(diào))

方法二:基于CrawlSpider的自動爬去進行實現(xiàn)(更加簡潔和高效)

一、簡單介紹CrawlSpider

  CrawlSpider其實是Spider的一個子類,除了繼承到Spider的特性和功能外,還派生除了其自己獨有的更加強大的特性和功能。其中最顯著的功能就是”LinkExtractors鏈接提取器“。Spider是所有爬蟲的基類,其設(shè)計原則只是為了爬取start_url列表中網(wǎng)頁,而從爬取到的網(wǎng)頁中提取出的url進行繼續(xù)的爬取工作使用CrawlSpider更合適。

二、使用

  1.創(chuàng)建scrapy工程(cmd切換到要創(chuàng)建項目的文件夾下執(zhí)行):scrapy startproject projectName (如:scrapy startproject crawlPro)

  2.創(chuàng)建爬蟲文件(cmd切換到創(chuàng)建的項目下執(zhí)行):scrapy genspider -t crawl spiderName www.xxx.com (如:scrapy genspider -t crawl crawlDemo www.qiushibaike.com)

    --此指令對比以前的指令多了 "-t crawl",表示創(chuàng)建的爬蟲文件是基于CrawlSpider這個類的,而不再是Spider這個基類。

  3.啟動爬蟲文件(cmd基于步驟二的路徑執(zhí)行):scrapy crawl crawlDemo (啟動的一定是name對應(yīng)的值,如果爬蟲文件與name的值不一致,任然以name的值進行啟動)

觀察生成的爬蟲文件

crawlDemo.py

# -*- coding: utf-8 -*-
import scrapy
# 導(dǎo)入CrawlSpider相關(guān)模塊
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

# 表示該爬蟲程序是基于CrawlSpider類的
class CrawldemoSpider(CrawlSpider):
  name = 'crawlDemo'  #爬蟲文件名稱
  #allowed_domains = ['www.qiushibaike.com']
  start_urls = ['http://www.qiushibaike.com/']
  
  #連接提取器:會去起始url響應(yīng)回來的頁面中提取指定的url
  link = LinkExtractor(allow=r'/8hr/page/\d+')
  #rules元組中存放的是不同的規(guī)則解析器(封裝好了某種解析規(guī)則)
  rules = (
    #規(guī)則解析器:可以將連接提取器提取到的所有連接表示的頁面進行指定規(guī)則(回調(diào)函數(shù))的解析
    Rule(link, callback='parse_item', follow=True),
  )
  # 解析方法
  def parse_item(self, response):
    #print(response.url)
    divs = response.xpath('//div[@id="content-left"]/div')
    for div in divs:
      author = div.xpath('./div[@class="author clearfix"]/a[2]/h2/text()').extract_first()
      print(author)

  CrawlSpider類和Spider類的最大不同是CrawlSpider多了一個rules屬性,其作用是定義”提取動作“。在rules中可以包含一個或多個Rule對象,在Rule對象中包含了LinkExtractor對象?!?/p>

三、生成的爬蟲文件參數(shù)介紹

3.1 LinkExtractor:顧名思義,鏈接提取器。

    LinkExtractor(

        allow=r'Items/',# 滿足括號中“正則表達式”的值會被提取,如果為空,則全部匹配。

         deny=xxx, # 滿足正則表達式的則不會被提取。

         restrict_xpaths=xxx, # 滿足xpath表達式的值會被提取

         restrict_css=xxx, # 滿足css表達式的值會被提取

         deny_domains=xxx, # 不會被提取的鏈接的domains?!?/p>

   )

    - 作用:提取response中符合規(guī)則的鏈接?!?/p>

3.2 Rule : 規(guī)則解析器。根據(jù)鏈接提取器中提取到的鏈接,根據(jù)指定規(guī)則提取解析器鏈接網(wǎng)頁中的內(nèi)容。

     Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True)

    - 參數(shù)介紹:

      參數(shù)1:指定鏈接提取器

      參數(shù)2:指定規(guī)則解析器解析數(shù)據(jù)的規(guī)則(回調(diào)函數(shù))

      參數(shù)3:是否將鏈接提取器繼續(xù)作用到鏈接提取器提取出的鏈接網(wǎng)頁中。當callback為None,參數(shù)3的默認值為true。

3.3 rules=( ):指定不同規(guī)則解析器。一個Rule對象表示一種提取規(guī)則。

3.4 CrawlSpider整體爬取流程:

    a)爬蟲文件首先根據(jù)起始url,獲取該url的網(wǎng)頁內(nèi)容

    b)鏈接提取器會根據(jù)指定提取規(guī)則將步驟a中網(wǎng)頁內(nèi)容中的鏈接進行提取

    c)規(guī)則解析器會根據(jù)指定解析規(guī)則將鏈接提取器中提取到的鏈接中的網(wǎng)頁內(nèi)容根據(jù)指定的規(guī)則進行解析

    d)將解析數(shù)據(jù)封裝到item中,然后提交給管道進行持久化存儲

四、基于CrawlSpider示例

創(chuàng)建爬蟲項目和啟動爬蟲項目以及settings中配置自行完成,在這里不在追贅述

4.1爬蟲文件

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from qiubaiBycrawl.items import QiubaibycrawlItem
import re
class QiubaitestSpider(CrawlSpider):
  name = 'qiubaiTest'
  #起始url
  start_urls = ['http://www.qiushibaike.com/']

  #定義鏈接提取器,且指定其提取規(guī)則
  page_link = LinkExtractor(allow=r'/8hr/page/\d+/')
  
  rules = (
    #定義規(guī)則解析器,且指定解析規(guī)則通過callback回調(diào)函數(shù)
    Rule(page_link, callback='parse_item', follow=True),
  )

  #自定義規(guī)則解析器的解析規(guī)則函數(shù)
  def parse_item(self, response):
    div_list = response.xpath('//div[@id="content-left"]/div')
    
    for div in div_list:
      #定義item
      item = QiubaibycrawlItem()
      #根據(jù)xpath表達式提取糗百中段子的作者
      item['author'] = div.xpath('./div/a[2]/h2/text()').extract_first().strip('\n')
      #根據(jù)xpath表達式提取糗百中段子的內(nèi)容
      item['content'] = div.xpath('.//div[@class="content"]/span/text()').extract_first().strip('\n')

      yield item #將item提交至管道

4.2items文件

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class QiubaibycrawlItem(scrapy.Item):
  # define the fields for your item here like:
  # name = scrapy.Field()
  author = scrapy.Field() #作者
  content = scrapy.Field() #內(nèi)容

4.3管道文件

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

class QiubaibycrawlPipeline(object):
  
  def __init__(self):
    self.fp = None
    
  def open_spider(self,spider):
    print('開始爬蟲')
    self.fp = open('./data.txt','w')
    
  def process_item(self, item, spider):
    #將爬蟲文件提交的item寫入文件進行持久化存儲
    self.fp.write(item['author']+':'+item['content']+'\n')
    return item
  
  def close_spider(self,spider):
    print('結(jié)束爬蟲')
    self.fp.close()

以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

  • Python 學(xué)習(xí)教程之networkx

    Python 學(xué)習(xí)教程之networkx

    networkx是Python的一個包,用于構(gòu)建和操作復(fù)雜的圖結(jié)構(gòu),提供分析圖的算法。對Python networkx相關(guān)知識感興趣的朋友跟隨小編一起看看吧
    2019-04-04
  • 詳解python讀取image

    詳解python讀取image

    這篇文章主要介紹了python讀取image的方法,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2019-04-04
  • python命名關(guān)鍵字參數(shù)的作用詳解

    python命名關(guān)鍵字參數(shù)的作用詳解

    在本篇文章里小編給大家整理了一篇關(guān)于python命名關(guān)鍵字參數(shù)的作用詳解內(nèi)容,有興趣的朋友們可以學(xué)習(xí)參考下。
    2021-03-03
  • python實現(xiàn)簡易淘寶購物

    python實現(xiàn)簡易淘寶購物

    這篇文章主要為大家詳細介紹了python實現(xiàn)簡易淘寶購物,文中示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2019-11-11
  • Python pandas dataframe之重命名相同列名

    Python pandas dataframe之重命名相同列名

    這篇文章主要介紹了Python pandas dataframe之重命名相同列名方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教
    2023-09-09
  • Python處理application/json錯誤的方法詳解

    Python處理application/json錯誤的方法詳解

    這篇文章主要為大家詳細介紹了python使用httpx_sse調(diào)用sse流式接口對響應(yīng)格式為application/json的錯誤信息處理的相關(guān)知識,需要的可以了解下
    2025-02-02
  • PyQT中QTableWidget如何根據(jù)單元格內(nèi)容設(shè)置自動寬度

    PyQT中QTableWidget如何根據(jù)單元格內(nèi)容設(shè)置自動寬度

    這篇文章主要介紹了PyQT中QTableWidget如何根據(jù)單元格內(nèi)容設(shè)置自動寬度問題,具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教
    2023-05-05
  • python變量的作用域是什么

    python變量的作用域是什么

    在本篇內(nèi)容里小編給大家分享了關(guān)于python變量的作用域的實例及用法,有興趣的朋友們可以學(xué)習(xí)下。
    2020-05-05
  • Python基本運算幾何運算處理數(shù)字圖像示例

    Python基本運算幾何運算處理數(shù)字圖像示例

    這篇文章主要介紹了Python基本運算,同個幾個幾何運算處理數(shù)字圖像示例來為大家詳細講解,有需要的朋友可以借鑒參考下,希望能夠有所幫助
    2021-09-09
  • Flask中Cookie和Session理解與作用介紹

    Flask中Cookie和Session理解與作用介紹

    Flask是一個使用 Python 編寫的輕量級 Web 應(yīng)用框架。其 WSGI 工具箱采用 Werkzeug ,模板引擎則使用 Jinja2 。Flask使用 BSD 授權(quán)。Flask也被稱為 “microframework” ,因為它使用簡單的核心,用 extension 增加其他功能,F(xiàn)lask中Cookie和Session有什么區(qū)別呢
    2022-10-10

最新評論

桂平市| 会昌县| 兴安盟| 铜鼓县| 宁强县| 奉化市| 巴塘县| 金沙县| 临汾市| 普安县| 周口市| 长葛市| 特克斯县| 涡阳县| 襄城县| 潞城市| 元江| 亚东县| 万山特区| 卫辉市| 靖安县| 涟水县| 吉隆县| 罗田县| 玉溪市| 曲阳县| 威远县| 双桥区| 垣曲县| 洛宁县| 巴楚县| 天台县| 东兴市| 平顶山市| 吴川市| 榕江县| 梨树县| 泸定县| 二手房| 玛沁县| 伊宁市|