文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

【python爬虫学习 】python

2023-01-31 08:21

关注
  1. pip 安装 pip install scrapy
  2. 可能的问题:
    问题/解决:error: Microsoft Visual C++ 14.0 is required.
  3. 实例demo教程 中文教程文档
    第一步:创建项目目录

    scrapy startproject tutorial

    第二步:进入tutorial创建spider爬虫

    scrapy genspider baidu www.baidu.com

    第三步:创建存储容器,复制项目下的items.py重命名为BaiduItems

    # -*- 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 BaiduItems(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        title = scrapy.Field()
        link = scrapy.Field()
        desc = scrapy.Field()
        pass

    第四步:修改spiders/baidu.py xpath提取数据

    # -*- coding: utf-8 -*-
    import scrapy
    # 引入数据容器
    from tutorial.BaiduItems import BaiduItems
    
    class BaiduSpider(scrapy.Spider):
        name = 'baidu'
        allowed_domains = ['www.readingbar.net']
        start_urls = ['http://www.readingbar.net/']
        def parse(self, response):
            for sel in response.xpath('//ul/li'):
                item = BaiduItems()
                item['title'] = sel.xpath('a/text()').extract()
                item['link'] = sel.xpath('a/@href').extract()
                item['desc'] = sel.xpath('text()').extract()
                yield item
            pass

    第五步:解决百度首页网站抓取空白问题,设置setting.py

    # 设置用户代理
    USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'
    
    # 解决 robots.txt 相关debug
    ROBOTSTXT_OBEY = False
    # scrapy 解决数据保存乱码问题
    FEED_EXPORT_ENCODING = 'utf-8'

    最后一步:开始爬取数据命令并保存数据为指定的文件
    执行的时候可能报错:No module named 'win32api' 可以下载指定版本安装

    scrapy crawl baidu -o baidu.json
  4. 深度爬取百度首页及导航菜单相关页内容

    # -*- coding: utf-8 -*-
    import scrapy
    
    from scrapyProject.BaiduItems import BaiduItems
    
    class BaiduSpider(scrapy.Spider):
        name = 'baidu'
        # 由于tab包含其他域名,需要添加域名否则无法爬取
        allowed_domains = [
            'www.baidu.com',
            'v.baidu.com',
            'map.baidu.com',
            'news.baidu.com',
            'tieba.baidu.com',
            'xueshu.baidu.com'
        ]
        start_urls = ['https://www.baidu.com/']
        def parse(self, response):
            item = BaiduItems()
            item['title'] = response.xpath('//title/text()').extract()
            yield item
            for sel in response.xpath('//a[@class="mnav"]'):
                item = BaiduItems()
                item['nav'] = sel.xpath('text()').extract()
                item['href'] = sel.xpath('@href').extract()
                yield item
                # 根据提取的nav地址建立新的请求并执行回调函数
                yield scrapy.Request(item['href'][0],callback=self.parse_newpage)
            pass
        # 深度提取tab网页信息
        def parse_newpage(self, response):
            item = BaiduItems()
            item['title'] = response.xpath('//title/text()').extract()
            yield item
            pass
  5. 绕过登录进行爬取
    a.解决图片验证 pytesseract
阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯