欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

scrapy實踐之翻頁爬取的實現(xiàn)

 更新時間:2021年01月05日 09:38:04   作者:生信修煉手冊  
這篇文章主要介紹了scrapy實踐之翻頁爬取的實現(xiàn),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

安裝

Scrapy的安裝很簡單,官方文檔也有詳細的說明 http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/install.html 。這里不詳細說明了。

在scrapy框架中,spider具有以下幾個功能

1. 定義初始爬取的url

2. 定義爬取的行為,是否跟進鏈接

3. 從網(wǎng)頁中提取結(jié)構(gòu)化數(shù)據(jù)

所謂的跟進鏈接,其實就是自動爬取該頁的所有鏈接,然后順著對應(yīng)的鏈接延伸開來不斷爬取,這樣只需要提供一個網(wǎng)站首頁,理論上就可以實現(xiàn)網(wǎng)站全部頁面的爬取,實現(xiàn)點到面的功能。

如果自己來開發(fā),不僅需要在算法層面,考慮是使用深度優(yōu)先還是廣度優(yōu)先,還需要處理好提取的url的限制條件等細節(jié)工作。在scrapy中,開發(fā)過程被大大簡化了,我們只需要定義以下幾個關(guān)鍵部分的代碼,就可以實現(xiàn)翻頁效果。

1. Spider

核心思想是在parse方法中,返回新的Requests請求,代碼如下

import scrapy
 
from hello_world.items import HelloWorldItem
 
class MirSpider(scrapy.Spider):
  name = "MirSpider"
  start_urls = ["http://mirtarbase.cuhk.edu.cn/php/search.php?opt=species&org=bta&sort=id&order=asc&page=1"]
 
  def parse(self, response):
    domain = 'http://mirtarbase.cuhk.edu.cn'
    for row in response.xpath('//table/tr'):
      item = HelloWorldItem()
      res = []
      for col in (row.xpath('td/text()')):
        res.append(col.extract())
      if res[0] != 'Bos taurus':
        continue
      item['species'] = res[0]
      item['miRNA'] = res[2]
      item['target'] = res[3]
      item['total'] = res[4]
      item['papers'] = res[5]
      yield item
    for url in response.xpath('//a/@href').extract():
      if 'page' in url:
        url = domain + url
        yield scrapy.Request(url, callback = self.parse, dont_filter = False)

關(guān)鍵代碼是最后幾行的for循環(huán),在start_urls中,我們只提供了一個初識的url, 在parse方法中,除了常規(guī)的返回結(jié)構(gòu)性數(shù)據(jù)item外,我們還返回了新的requests請求,首先提取頁面上所有的url, 并對url的鏈接進行了限制,對需要爬取的url鏈接以Request的方法進行返回,注意dont_filter的設(shè)置,當(dāng)設(shè)置為False時,會調(diào)用scrapy默認(rèn)的url去重機制,這樣不會重復(fù)下載。

2. Item Pipeline

對于下載的item, 有些會出現(xiàn)重復(fù)的現(xiàn)象,此時可以在pipelines.py中,對item進行操作,實現(xiàn)item去重的代碼如下

from itemadapter import ItemAdapter
 
 
class HelloWorldPipeline:
  def __init__(self):
    self.link_set = set()
 
  def process_item(self, item, spider):
    link = item['miRNA'] + item['target']
    if link in self.link_set:
      raise DropItem(item)
    self.link_set.add(link) 
    return item

在process_item方法中,通過一個set對象來達到去重的效果。需要注意,默認(rèn)pipelines是沒有開啟的,編寫完代碼之后,需要在settings.py中進行配置,開啟對應(yīng)的pipeline, 內(nèi)容如下

ITEM_PIPELINES = {
  'hello_world.pipelines.HelloWorldPipeline': 300,
}

對于標(biāo)準(zhǔn)的多頁表格數(shù)據(jù),采用上述的代碼可以輕松實現(xiàn)翻頁效果,非常的方便。

到此這篇關(guān)于scrapy實踐之翻頁爬取的實現(xiàn)的文章就介紹到這了,更多相關(guān)scrapy 翻頁爬取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • 利用Python腳本實現(xiàn)傳遞參數(shù)的三種方式分享

    利用Python腳本實現(xiàn)傳遞參數(shù)的三種方式分享

    使用python腳本傳遞參數(shù)在實際工作過程中還是比較常用。這篇文章為大家總結(jié)了三個常用的方式,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下
    2022-12-12
  • 20招讓你的Python飛起來!

    20招讓你的Python飛起來!

    20招讓你的 Python飛起來!這篇文章主要為大家詳細介紹了Python性能優(yōu)化的20條建議,感興趣的小伙伴們可以參考一下
    2016-09-09
  • 詳解Python如何生成詞云的方法

    詳解Python如何生成詞云的方法

    這篇文章主要介紹了詳解Python如何生成詞云的方法,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2018-06-06
  • python實現(xiàn)屏保程序(適用于背單詞)

    python實現(xiàn)屏保程序(適用于背單詞)

    這篇文章主要為大家詳細介紹了python實現(xiàn)屏保程序,適用于背單詞,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2019-07-07
  • Python基礎(chǔ)之?dāng)?shù)據(jù)類型相關(guān)知識總結(jié)

    Python基礎(chǔ)之?dāng)?shù)據(jù)類型相關(guān)知識總結(jié)

    眾所周知,在Python中,常用的數(shù)據(jù)類型有三種,分別是字符串、整數(shù)和浮點數(shù).在Python基礎(chǔ)學(xué)習(xí)的過程中,數(shù)據(jù)類型是初學(xué)者常常容易混淆的一個基礎(chǔ)知識點,本文為大家詳細總結(jié)了三種數(shù)據(jù)類型的概念、數(shù)據(jù)類型的查詢以及更為復(fù)雜的數(shù)據(jù)轉(zhuǎn)化,需要的朋友可以參考下
    2021-06-06
  • Pycharm如何返回上一次編輯處的快捷鍵

    Pycharm如何返回上一次編輯處的快捷鍵

    這篇文章主要介紹了Pycharm如何返回上一次編輯處的快捷鍵問題,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
    2023-03-03
  • Python深拷貝與淺拷貝用法實例分析

    Python深拷貝與淺拷貝用法實例分析

    這篇文章主要介紹了Python深拷貝與淺拷貝用法,結(jié)合實例形式分析了Python對象的復(fù)制、深拷貝、淺拷貝等操作原理、用法及相關(guān)注意事項,需要的朋友可以參考下
    2019-05-05
  • Python隨機驗證碼生成和join?字符串的問題解析

    Python隨機驗證碼生成和join?字符串的問題解析

    Python中有join()和os.path.join()兩個函數(shù),join是將字符串、元組、列表中的元素以指定的字符(分隔符)連接生成一個新的字符串而os.path.join():?將多個路徑組合后返回,本文給大家介紹的非常詳細,需要的朋友一起看看吧
    2022-04-04
  • 淺談python 中類屬性共享的問題

    淺談python 中類屬性共享的問題

    今天小編就為大家分享一篇淺談python 中類屬性共享的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-07-07
  • python入門之井字棋小游戲

    python入門之井字棋小游戲

    這篇文章主要為大家詳細介紹了python入門學(xué)習(xí)之井字棋小游戲,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
    2020-03-03

最新評論