欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python爬蟲框架talonspider簡單介紹

 更新時間: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?

一些簡單的頁面,無需用比較大的框架來進行爬取,自己純手寫又比較麻煩

因此針對這個需求寫了talonspider:

•1.針對單頁面的item提取 - 具體介紹點這里
•2.spider模塊 - 具體介紹點這里

2.介紹&&使用

2.1.item

這個模塊是可以獨立使用的,對于一些請求比較簡單的網(wǎng)站(比如只需要get請求),單單只用這個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

比如要獲取這個網(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

比如獲取豆瓣250電影首頁展示的25部電影,這一個頁面有25個目標,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

當需要爬取有層次的頁面時,比如爬取豆瓣250全部電影,這時候spider部分就派上了用場:

# !/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:

/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

此時當前目錄會生成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,項目地址talonspider。

相關(guān)文章

  • python中csv文件數(shù)據(jù)顏色設(shè)置方式

    python中csv文件數(shù)據(jù)顏色設(shè)置方式

    這篇文章主要介紹了python中csv文件數(shù)據(jù)顏色設(shè)置方式,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
    2024-02-02
  • Python中的os.path路徑模塊中的操作方法總結(jié)

    Python中的os.path路徑模塊中的操作方法總結(jié)

    os.path模塊主要集成了針對路徑文件夾的操作功能,這里我們就來看一下Python中的os.path路徑模塊中的操作方法總結(jié),需要的朋友可以參考下
    2016-07-07
  • Python判斷List中是否包含某個元素

    Python判斷List中是否包含某個元素

    在Python中,判斷一個列表(List)是否包含某個特定元素是常見的任務(wù)之一,本文就來介紹一下多種判斷List成員包含性的方法,并提供豐富的示例代碼,以幫助大家更好地理解和運用這些技術(shù)
    2023-12-12
  • Appium中scroll和drag_and_drop根據(jù)元素位置滑動

    Appium中scroll和drag_and_drop根據(jù)元素位置滑動

    本文主要介紹了Appium中scroll和drag_and_drop根據(jù)元素位置滑動,文中通過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
    2022-02-02
  • python必備庫Matplotlib畫圖神器

    python必備庫Matplotlib畫圖神器

    這篇文章主要介紹了python必備庫Matplotlib畫圖神器,Matplotlib 是 Python 中最受歡迎的數(shù)據(jù)可視化軟件包之一,支持跨平臺運行,它是 Python 常用的 2D 繪圖庫,同時它也提供了一部分 3D 繪圖接口,更多詳細內(nèi)容,需要的小伙伴可以參考一下下面文章具體內(nèi)容
    2022-03-03
  • python使用lxml xpath模塊解析XML遇到的坑及解決

    python使用lxml xpath模塊解析XML遇到的坑及解決

    這篇文章主要介紹了python使用lxml xpath模塊解析XML遇到的坑及解決,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
    2024-05-05
  • python爬蟲-模擬微博登錄功能

    python爬蟲-模擬微博登錄功能

    這篇文章主要介紹了python爬蟲-模擬微博登錄功能,本文給大家介紹的非常詳細,具有一定的參考借鑒價值,需要的朋友可以參考下
    2019-09-09
  • 關(guān)于python3.9安裝wordcloud出錯的問題及解決辦法

    關(guān)于python3.9安裝wordcloud出錯的問題及解決辦法

    這篇文章主要介紹了關(guān)于python3.9安裝wordcloud出錯的問題及解決辦法,本文給大家介紹的非常詳細,對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2020-11-11
  • 利用Python實現(xiàn)網(wǎng)絡(luò)運維自動化的實戰(zhàn)案例

    利用Python實現(xiàn)網(wǎng)絡(luò)運維自動化的實戰(zhàn)案例

    Python作為一種簡潔而強大的編程語言,已經(jīng)成為網(wǎng)絡(luò)運維自動化的熱門選擇,本文將介紹如何利用Python實現(xiàn)網(wǎng)絡(luò)設(shè)備配置管理、監(jiān)控和故障排除等自動化任務(wù),并提供代碼示例,需要的朋友可以參考下
    2024-03-03
  • python groupby函數(shù)實現(xiàn)分組后選取最值

    python groupby函數(shù)實現(xiàn)分組后選取最值

    這篇文章主要介紹了python groupby函數(shù)實現(xiàn)分組后選取最值,文章圍繞主題相關(guān)資料展開詳細的內(nèi)容介紹,具有一定的參考價值,需要的小伙伴可以參考一下
    2022-06-06

最新評論