欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

基于python框架Scrapy爬取自己的博客內(nèi)容過程詳解

 更新時(shí)間:2019年08月05日 10:27:38   作者:風(fēng)的姿態(tài)  
這篇文章主要介紹了基于python框架Scrapy爬取自己的博客內(nèi)容過程詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

前言

python中常用的寫爬蟲的庫常有urllib2、requests,對于大多數(shù)比較簡單的場景或者以學(xué)習(xí)為目的,可以用這兩個(gè)庫實(shí)現(xiàn)。這里有一篇我之前寫過的用urllib2+BeautifulSoup做的一個(gè)抓取百度音樂熱門歌曲的例子,有興趣可以看一下。

本文介紹用Scrapy抓取我在博客園的博客列表,只抓取博客名稱、發(fā)布日期、閱讀量和評論量這四個(gè)簡單的字段,以求用較簡單的示例說明Scrapy的最基本的用法。

環(huán)境配置說明

操作系統(tǒng):Ubuntu 14.04.2 LTS

Python:Python 2.7.6

Scrapy:Scrapy 1.0.3

注意:Scrapy1.0的版本和之前的版本有些區(qū)別,有些類的命名空間改變了。

創(chuàng)建項(xiàng)目

執(zhí)行如下命令創(chuàng)建一個(gè)Scrapy項(xiàng)目

scrapy startproject scrapy_cnblogs

創(chuàng)建之后查看項(xiàng)目的目錄結(jié)構(gòu)如下:

scrapy_cnblogs
 ├── botcnblogs
 │   ├── __init__.py
 │   ├── items.py  #用于定義抓取內(nèi)容的實(shí)體
 │   ├── pipelines.py #處理抓取的item的管道
 │   ├── settings.py #爬蟲需要的配置參數(shù)在這里
 │ └── spiders
 │    └── __init__.py
 └── scrapy.cfg   #項(xiàng)目的配置文件,可以不去理會(huì),默認(rèn)即可

其中scrapy.cfg所在的目錄為項(xiàng)目的根目錄,此文件是項(xiàng)目的配置文件,項(xiàng)目建立后,此文件的內(nèi)容可以不用理會(huì)。其內(nèi)容如下:

[settings]
default = botcnblogs.settings
[deploy]
#url = http://localhost:6800/
project = botcnblogs

在items.py文件里定義在抓取網(wǎng)頁內(nèi)容中抽象出來的數(shù)據(jù)結(jié)構(gòu)的定義,由于這里需要博客名稱、發(fā)布日期、閱讀量和評論量這四個(gè)字段,定義的Item結(jié)構(gòu)如下:

from scrapy import Item,Field #引入Item、Field
class BotcnblogsItem(Item):
 # define the fields for your item here like:
 title = Field()  #標(biāo)題
 publishDate = Field() #發(fā)布日期
 readCount = Field() #閱讀量
 commentCount = Field() #評論數(shù)<br data-filtered="filtered"><br data-filtered="filtered">

在pipelines.py里對爬蟲抓取到的信息(這里的信息是已經(jīng)組織好的上面定義的Item對象)進(jìn)行處理,官方介紹的典型的應(yīng)用場景為:

  • 清理HTML數(shù)據(jù)
  • 驗(yàn)證爬取的數(shù)據(jù)(檢查item包含某些字段)
  • 查重(并丟棄)
  • 將爬取結(jié)果保存到數(shù)據(jù)庫中

它的定義也很簡單,只需要實(shí)現(xiàn)process_item方法即可,此方法有兩個(gè)參數(shù),一個(gè)是item,即要處理的Item對象,另一個(gè)參數(shù)是spider,即爬蟲。

另外還有open_spider和close_spider兩個(gè)方法,分別是在爬蟲啟動(dòng)和結(jié)束時(shí)的回調(diào)方法。

本例中處理很簡單,只是將接收的Item對象寫到一個(gè)json文件中,在__init__方法中以“w+”的方式打開或創(chuàng)建一個(gè)item.json的文件,然后把對象反序列化為字符串,寫入到item.json文件中。代碼如下:

# -*- coding: utf-8 -*- 
import json 
class BotcnblogsPipeline(object):
 def __init__(self):
  self.file = open("item.json", "w+") 
 def process_item(self, item, spider):
  record = json.dumps(dict(item), ensure_ascii=False)+"\n" #此處如果有中文的話,要加上ensure_ascii=False參數(shù),否則可能出現(xiàn)亂碼
  self.file.write(record)
  return item 
 def open_spider(self, spider):
  pass 
 def close_spider(self, spider):
  self.file.close()

setting.py是爬蟲的配置文件,配置爬蟲的一些配置信息,這里用到的就是設(shè)置pipelines的ITEM_PIPELINES參數(shù),此參數(shù)配置項(xiàng)目中啟用的pipeline及其執(zhí)行順序,以字典的形式存在,{“pipeline”:執(zhí)行順序整數(shù)}

此例中的配置如下:

SPIDER_MODULES = ['botcnblogs.spiders']
NEWSPIDER_MODULE = 'botcnblogs.spiders'
ITEM_PIPELINES = {
 'botcnblogs.pipelines.BotcnblogsPipeline': 1,
}

準(zhǔn)備工作都做好了,爬蟲呢,爬蟲在哪里實(shí)現(xiàn)呢,我們看到項(xiàng)目中有個(gè)spiders目錄,里面只有一個(gè)init.py文件,沒錯(cuò),爬蟲文件需要自己創(chuàng)建,就在這個(gè)目錄下,這里創(chuàng)建一個(gè)botspider.py的文件,對網(wǎng)頁進(jìn)行解析的工作就要在這里實(shí)現(xiàn)了,此例中定義的爬蟲類繼承自CrawlSpider類。

定義一個(gè)Spider需要如下幾個(gè)變量和方法實(shí)現(xiàn):

name:定義spider名字,這個(gè)名字應(yīng)該是唯一的,在執(zhí)行這個(gè)爬蟲程序的時(shí)候,需要用到這個(gè)名字。

allowed_domains:允許爬取的域名列表,例如現(xiàn)在要爬取博客園,這里要寫成cnblogs.com

start_urls:爬蟲最開始爬的入口地址列表。

rules:如果要爬取的頁面不是單獨(dú)一個(gè)或者幾個(gè)頁面,而是具有一定的規(guī)則可循的,例如爬取的博客有連續(xù)多頁,就可以在這里設(shè)置,如果定義了rules,則需要自己定義爬蟲規(guī)則(以正則表達(dá)式的方式),而且需要自定義回調(diào)函數(shù)。

代碼說話:

#-*- coding:utf-8 -*-
__author__ = 'linuxfengzheng'
from scrapy.spiders import Spider, Rule
from scrapy.selector import Selector
from botcnblogs.items import BotcnblogsItem
from scrapy.linkextractors import LinkExtractor
import re
from scrapy.spiders import CrawlSpider 
class botspider(CrawlSpider):
 name = "cnblogsSpider" #設(shè)置爬蟲名稱 
 allowed_domains = ["cnblogs.com"] #設(shè)置允許的域名
 start_urls = [
  "http://www.cnblogs.com/fengzheng/default.html?page=3", #設(shè)置開始爬取頁面
 ] 
 rules = (
  Rule(LinkExtractor(allow=('fengzheng/default.html\?page\=([\d]+)', ),),callback='parse_item',follow=True),
 ) #制定規(guī)則
  def parse_item(self, response):
  sel = response.selector
  posts = sel.xpath('//div[@id="mainContent"]/div/div[@class="day"]')
  items = []
  for p in posts:
   #content = p.extract()
   #self.file.write(content.encode("utf-8"))
   item = BotcnblogsItem()
   publishDate = p.xpath('div[@class="dayTitle"]/a/text()').extract_first()
 
   item["publishDate"] = (publishDate is not None and [publishDate.encode("utf-8")] or [""])[0]
   #self.file.write(title.encode("utf-8"))
   title = p.xpath('div[@class="postTitle"]/a/text()').extract_first()
   item["title"] = (title is not None and [title.encode("utf-8")] or [""])[0]
 
   #re_first("posted @ 2015-11-03 10:32 風(fēng)的姿態(tài) 閱讀(\d+")
 
   readcount = p.xpath('div[@class="postDesc"]/text()').re_first(u"閱讀\(\d+\)")
 
   regReadCount = re.search(r"\d+", readcount)
   if regReadCount is not None:
    readcount = regReadCount.group()
   item["readCount"] = (readcount is not None and [readcount.encode("utf-8")] or [0])[0]
 
   commentcount = p.xpath('div[@class="postDesc"]/text()').re_first(u"評論\(\d+\)")
   regCommentCount = re.search(r"\d+", commentcount)
   if regCommentCount is not None:
    commentcount = regCommentCount.group()
   item["commentCount"] = (commentcount is not None and [commentcount.encode("utf-8")] or [0])[0]
   items.append(item) 
  return items
  #self.file.close()

因?yàn)?.0版和之前的版本在包上有所改變,這里列出此例中所涉及的不同版本的區(qū)別

所在包
1.0版本 之前版本
spider scrapy.spiders scrapy.spider
crawlspider scrapy.spiders scrapy.contrib.spiders
linkextractor scrapy.linkextractors scrapy.contrib.linkextractors
rule scrapy.spiders scrapy.contrib.spiders

爬蟲思路:

首先進(jìn)入到我的博客頁面http://www.cnblogs.com/fengzheng/,這是我的博客首頁,以列表形式顯示已經(jīng)發(fā)布的博文,這是第一頁,點(diǎn)擊頁面下面的下一頁按鈕,進(jìn)入第二頁,頁面地址為http://www.cnblogs.com/fengzheng/default.html?page=2,由此看出網(wǎng)站以page作為參數(shù)來表示頁數(shù),這樣看來爬蟲的規(guī)則就很簡單了, fengzheng/default.html\?page\=([\d]+),這個(gè)就是爬蟲的規(guī)則,爬取default.html頁面,page參數(shù)為數(shù)字的頁面,這樣無論有多少頁都可以遍歷到。

當(dāng)然,如果頁面數(shù)量很少可以在start_urls列表中,將要爬取的頁面都列出來,但是這樣當(dāng)博文數(shù)量增多就會(huì)出現(xiàn)問題,如下:

start_urls = [
  "http://www.cnblogs.com/fengzheng/default.html?page=1",
  "http://www.cnblogs.com/fengzheng/default.html?page=2",
  "http://www.cnblogs.com/fengzheng/default.html?page=3",
 ]

當(dāng)爬取的網(wǎng)頁具有規(guī)則定義的情況下,要繼承CrawlSpider爬蟲類,使用Spider就不行了,在規(guī)則定義(rules)時(shí),如果要對爬取的網(wǎng)頁進(jìn)行處理,而不是簡單的需要Url,這時(shí),需要定義一個(gè)回調(diào)函數(shù),在爬取到符合條件的網(wǎng)頁時(shí)調(diào)用,并且設(shè)置follow=Ture,定義如下:

rules = (
  Rule(LinkExtractor(allow=('fengzheng/default.html\?page\=([\d]+)', ),),callback='parse_item',follow=True),
 )

回調(diào)函數(shù)名稱為parse_item,在parse_item方法中,就是真正要分析網(wǎng)頁html,獲取需要的內(nèi)容的時(shí)候了。觀察頁面,查看需要的信息在什么位置,如圖:  

之后,分析網(wǎng)頁源碼,分析出xpath

用如下代碼找到所有的class為day的div,每一個(gè)就是一個(gè)博文區(qū)域:

posts = sel.xpath('//div[@id="mainContent"]/div/div[@class="day"]')

之后遍歷這個(gè)集合,獲取所需內(nèi)容,其中注意一下幾點(diǎn):

因?yàn)橛兄形膬?nèi)容,要對獲取的內(nèi)容進(jìn)行encode("utf-8")編碼

由于評論數(shù)和閱讀量混在一起,要對那個(gè)字符串再進(jìn)行正則表達(dá)式提取 

至此,簡單的爬蟲已經(jīng)完成,接下來要運(yùn)行這個(gè)爬蟲,cd進(jìn)入到爬蟲項(xiàng)目所在的目錄,執(zhí)行以下命令:

scrapy crawl cnblogsSpider

會(huì)輸出爬取過程信息

之后會(huì)看到,根目錄中多了一個(gè)item.json文件,cat此文件內(nèi)容,可以看到信息已經(jīng)被提取出來:

點(diǎn)擊這里在github獲取源碼

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

  • ubuntu 安裝pyqt5和卸載pyQt5的方法

    ubuntu 安裝pyqt5和卸載pyQt5的方法

    這篇文章主要介紹了ubuntu 安裝pyqt5和卸載pyQt5的方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(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
    2020-03-03
  • Python使用文件鎖實(shí)現(xiàn)進(jìn)程間同步功能【基于fcntl模塊】

    Python使用文件鎖實(shí)現(xiàn)進(jìn)程間同步功能【基于fcntl模塊】

    這篇文章主要介紹了Python使用文件鎖實(shí)現(xiàn)進(jìn)程間同步功能,結(jié)合實(shí)例形式分析了Python基于fcntl模塊文件鎖功能實(shí)現(xiàn)進(jìn)程間同步的相關(guān)操作技巧,需要的朋友可以參考下
    2017-10-10
  • Tensorflow 卷積的梯度反向傳播過程

    Tensorflow 卷積的梯度反向傳播過程

    今天小編就為大家分享一篇Tensorflow 卷積的梯度反向傳播過程,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-02-02
  • python中的變量命名規(guī)則詳情

    python中的變量命名規(guī)則詳情

    這篇文章主要介紹了python中的變量命名規(guī)則詳情,變量名可以包括字母、數(shù)字、下劃線,但是數(shù)字不能做為開頭,變量用的好或不好,和代碼質(zhì)量有著非常重要的聯(lián)系,合理的使用變量,可以讓你的代碼可讀性更高并且更加簡潔,下面相關(guān)內(nèi)容吧需要的小伙伴可以參考一下
    2022-03-03
  • 輕松掌握python設(shè)計(jì)模式之訪問者模式

    輕松掌握python設(shè)計(jì)模式之訪問者模式

    這篇文章主要幫助大家輕松掌握python設(shè)計(jì)模式之訪問者模式,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2016-11-11
  • Python參數(shù)傳遞對象的引用原理解析

    Python參數(shù)傳遞對象的引用原理解析

    這篇文章主要介紹了Python參數(shù)傳遞對象的引用原理解析,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-05-05
  • 親測解決tensorflow和keras版本不匹配的問題

    親測解決tensorflow和keras版本不匹配的問題

    這篇文章主要介紹了親測解決tensorflow和keras版本不匹配問題,完美解決:ImportError: No module named 'tensorflow.python.eager'問題,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2024-03-03
  • 解決pycharm下pyuic工具使用的問題

    解決pycharm下pyuic工具使用的問題

    這篇文章主要介紹了解決pycharm下pyuic工具使用的問題,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-04-04
  • pytorch 刪除空權(quán)重模型文件夾的方法

    pytorch 刪除空權(quán)重模型文件夾的方法

    如果文件夾exp開頭的文件夾,里面沒有pt pth模型文件,就把目錄刪掉,本文通過示例代碼介紹pytorch 刪除空權(quán)重模型文件夾的方法,感興趣的朋友一起看看吧
    2023-11-11
  • python爬取招聘要求等信息實(shí)例

    python爬取招聘要求等信息實(shí)例

    在本篇文章里小編給大家整理了關(guān)于python爬取招聘要求等信息實(shí)例內(nèi)容,有興趣的朋友們可以學(xué)習(xí)下。
    2020-11-11

最新評論