1.高考派大學(xué)數(shù)據(jù)----寫(xiě)在前面
寫(xiě)到終于了scrapy爬蟲(chóng)框架了，這個(gè)框架可以說(shuō)是蟒爬蟲(chóng)框架里面出鏡率最高的一個(gè)了，我們接下來(lái)重點(diǎn)研究一下它的使用規(guī)則。
安裝過(guò)程自己百度一下，就能找到3種以上的安裝手法，一個(gè)哪都可以安裝上
可以參考https://scrapy-chs./zh_CN/0.24/intro/install.html官方說(shuō)明進(jìn)行安裝。
2.高考派大學(xué)數(shù)據(jù)----創(chuàng)建scrapy項(xiàng)目
通用使用下面的命令，創(chuàng)建即可
scrapy startproject mySpider
完成之后，你的項(xiàng)目的目錄結(jié)構(gòu)為
每個(gè)文件對(duì)應(yīng)的意思為
- scrapy.cfg項(xiàng)目的配置文件
- mySpider /根目錄
- mySpider / items.py項(xiàng)目的目標(biāo)文件，規(guī)范數(shù)據(jù)格式，用來(lái)定義解析對(duì)象對(duì)應(yīng)的屬性或字段。
- mySpider / pipelines.py項(xiàng)目的管道文件，負(fù)責(zé)處理被蜘蛛提取出來(lái)的項(xiàng)目。典型的處理有清理，驗(yàn)證及持久化（例如存取到數(shù)據(jù)庫(kù)）
- mySpider / settings.py項(xiàng)目的設(shè)置文件
- mySpider / spiders /爬蟲(chóng)主目錄
- * Spider中間件是在引擎及Spider之間的特定鉤子（具體鉤子），處理蜘蛛的輸入（響應(yīng)）和輸出（items及requests）。其提供了一個(gè)簡(jiǎn)便的機(jī)制，通過(guò)插入自定義代碼來(lái)擴(kuò)展Scrapy功能。*本篇文章沒(méi)有涉及
高考派大學(xué)數(shù)據(jù)----創(chuàng)建Scrapy爬蟲(chóng)
通過(guò)命令行進(jìn)入到mySpider / spiders /目錄，然后執(zhí)行如下命令
scrapy genspider 高考 “ www. ”
打開(kāi)mySpider / spiders /目錄里面的高考，默認(rèn)增加了下列代碼
import scrapy
class GaoKaoSpider(scrapy.Spider):
name = "GaoKao"
allowed_domains = ["www."]
start_urls = ['http://www./']
def parse(self, response):
pass
默認(rèn)生成的代碼，一個(gè)所有游戲GaoKaoSpider的類，這個(gè)并且類的英文用scrapy.Spider繼承來(lái)的
而且默認(rèn)實(shí)現(xiàn)了三個(gè)屬性狀語(yǔ)從句：一個(gè)方法
name =“”這個(gè)是爬蟲(chóng)的名字，必須唯一，在不同的爬蟲(chóng)需要定義不同的名字
allowed_domains = []域名范圍，限制爬蟲(chóng)爬取當(dāng)前域名下的網(wǎng)頁(yè)
start_urls = []爬取的URL元組/列表。爬蟲(chóng)從這里開(kāi)始爬取數(shù)據(jù)，第一次爬取的頁(yè)面就是從這里開(kāi)始，其他的URL將會(huì)從這些起始的URL爬取的結(jié)果中生成
解析（self，response）解析網(wǎng)頁(yè)的方法， -個(gè)初始網(wǎng)址完成下載后將調(diào)用，調(diào)用的時(shí)候傳入每一個(gè)初始URL返回的響應(yīng)對(duì)象作為唯一參數(shù)，主要作用1、負(fù)責(zé)解析返回的網(wǎng)頁(yè)數(shù)據(jù)，response.body 2、生成下一頁(yè)的URL請(qǐng)求
高考派大學(xué)數(shù)據(jù)----第一個(gè)案例
要我們爬取的的英文高考派大學(xué)數(shù)據(jù)數(shù)據(jù)為http://www./rank-index.html
頁(yè)面下部有一個(gè)加載更多，點(diǎn)擊抓取鏈接
尷尬的事情發(fā)生了，竟然是一個(gè)POST請(qǐng)求，本打算實(shí)現(xiàn)一個(gè)GET的，這回代碼量有點(diǎn)大了?
scrapy模式是GET請(qǐng)求的，如果我們需要修改成POST，那么需要重寫(xiě)Spider類的start_requests（self）方法，并且不再調(diào)用start_urls里面的url了，所以，咱對(duì)代碼進(jìn)行一些修改。重寫(xiě)代碼之后，注意下面這段代碼
request = FormRequest(self.start_url,headers=self.headers,formdata=form_data,callback=self.parse)
FormRequest需要引入模塊from scrapy import FormRequest
self.start_url寫(xiě)上帖請(qǐng)求的地址即可formdata
用來(lái)提交表單數(shù)據(jù)
callback調(diào)用網(wǎng)頁(yè)解析參數(shù)
最后的yield請(qǐng)求表示這個(gè)函數(shù)是一個(gè)生成器
import scrapy
from scrapy import FormRequest
import json
from items import MyspiderItem
class GaokaoSpider(scrapy.Spider):
name = 'GaoKao'
allowed_domains = ['']
start_url = 'http://www./rank-index.html'
def __init__(self):
self.headers = {
"User-Agent":"自己找個(gè)UA",
"X-Requested-With":"XMLHttpRequest"
}
# 需要重寫(xiě)start_requests() 方法
def start_requests(self):
for page in range(0,7):
form_data = {
"otype": "4",
"city":"",
"start":str(25*page),
"amount": "25"
}
request = FormRequest(self.start_url,headers=self.headers,formdata=form_data,callback=self.parse)
yield request
def parse(self, response):
print(response.body)
print(response.url)
print(response.body_as_unicode())
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎
在我們def parse(self, response):函數(shù)里面，輸出一下網(wǎng)頁(yè)內(nèi)容，這個(gè)地方，需要用到1個(gè)知識(shí)點(diǎn)是
獲取網(wǎng)頁(yè)內(nèi)容 response.body response.body_as_unicode()
- response.url獲取抓取的RUL
- response.body獲取網(wǎng)頁(yè)內(nèi)容字節(jié)類型
- response.body_as_unicode（）獲取網(wǎng)站內(nèi)容字符串類型
我們接下來(lái)就可以運(yùn)行一下爬蟲(chóng)程序了
項(xiàng)目在根目錄創(chuàng)建33一個(gè)begin.py文件，里面寫(xiě)入如下代碼
from scrapy import cmdline
cmdline.execute(("scrapy crawl GaoKao").split())
運(yùn)行該文件，記住在scrapy中的其他py文件中，運(yùn)行是不會(huì)顯示相應(yīng)的結(jié)果的，每次測(cè)試的時(shí)候，都需要運(yùn)行begin.py當(dāng)然，你可起一個(gè)其他的名字。
如果你不這么干的，那么你只能采用下面的操作，就是比較麻煩。
cd到爬蟲(chóng)目錄里執(zhí)行scrapy crawl GaoKao--nolog命令
說(shuō)明：scrapy crawl GaoKao(GaoKao表示爬蟲(chóng)名稱) --nolog(--nolog表示不顯示日志)
運(yùn)行起來(lái)，就在控制臺(tái)打印數(shù)據(jù)了，測(cè)試方便，可以把上述代碼中那個(gè)數(shù)字7，修改成2，有心人能看到我這個(gè)小文字
pycharm在運(yùn)行過(guò)程中，會(huì)在控制臺(tái)打印很多紅色的字，沒(méi)事，那不是BUG
一定要在紅色的字中間找到黑色的字，黑色的字才是你打印出來(lái)的數(shù)據(jù)，如下，得到這樣的內(nèi)容，就成功一大半了。
但是這個(gè)地方有個(gè)小坑，就是，你會(huì)發(fā)現(xiàn)返回的數(shù)據(jù)不一致，這個(gè)我測(cè)試了一下，是因?yàn)榈谝豁?yè)的數(shù)據(jù)返回的不是JSON格式的，而是普通的網(wǎng)頁(yè)，那么我們需要針對(duì)性處理一下，這個(gè)先不用管，把我們items.py進(jìn)行完善
import scrapy
class MyspiderItem(scrapy.Item):
# 學(xué)校名稱
uni_name = scrapy.Field()
uni_id = scrapy.Field()
city_code = scrapy.Field()
uni_type = scrapy.Field()
slogo = scrapy.Field()
# 錄取難度
safehard = scrapy.Field()
# 院校所在地
rank = scrapy.Field()
然后在剛才的GaokaoSpider類中，繼續(xù)完善解析函數(shù)，判斷通過(guò)response.headers["Content-Type"]去確定本。頁(yè)面的英文HTML格式，還是JSON格式。
if(content_type.find("text/html")>0):
# print(response.body_as_unicode())
trs = response.xpath("http://table[@id='results']//tr")[1:]
for item in trs:
school = MyspiderItem()
rank = item.xpath("td[1]/span/text()").extract()[0]
uni_name = item.xpath("td[2]/a/text()").extract()[0]
safehard = item.xpath("td[3]/text()").extract()[0]
city_code = item.xpath("td[4]/text()").extract()[0]
uni_type = item.xpath("td[6]/text()").extract()[0]
school["uni_name"] = uni_name
school["uni_id"] = ""
school["city_code"] = city_code
school["uni_type"] = uni_type
school["slogo"] = ""
school["rank"] = rank
school["safehard"] = safehard
yield school
else:
data = json.loads(response.body_as_unicode())
data = data["data"]["ranks"] # 獲取數(shù)據(jù)
for item in data:
school = MyspiderItem()
school["uni_name"] = item["uni_name"]
school["uni_id"] = item["uni_id"]
school["city_code"] = item["city_code"]
school["uni_type"] = item["uni_type"]
school["slogo"] = item["slogo"]
school["rank"] = item["rank"]
school["safehard"] = item["safehard"]
# 將獲取的數(shù)據(jù)交給pipelines，pipelines在settings.py中定義
yield school
parse（）方法的執(zhí)行機(jī)制
- 使用產(chǎn)量返回?cái)?shù)據(jù)，不要使用收益。這樣子的解析就會(huì)被當(dāng)做一個(gè)生成器.scarpy將解析生成的數(shù)據(jù)，逐一返回
- 如果返回值是請(qǐng)求則加入爬取隊(duì)列，如果是項(xiàng)目類型，則交給管道出來(lái)，其他類型報(bào)錯(cuò)
到這里，如果想要數(shù)據(jù)準(zhǔn)備的進(jìn)入到管道中，你需要在setting.py中將配置開(kāi)啟
# See https://doc./en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'mySpider.pipelines.MyspiderPipeline': 300,
}
關(guān)系編寫(xiě)同時(shí)pipeline.py文件
import os
import csv
class MyspiderPipeline(object):
def __init__(self):
# csv 文件
store_file = os.path.dirname(__file__) "/spiders/school1.csv"
self.file = open(store_file,"a ",newline='',encoding="utf-8")
self.writer = csv.writer(self.file)
def process_item(self, item, spider):
try:
self.writer.writerow((
item["uni_name"],
item["uni_id"],
item["city_code"],
item["uni_type"],
item["slogo"],
item["rank"],
item["safehard"]
))
except Exception as e:
print(e.args)
def close_spider(self,spider):
self.file.close()
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎
好了，代碼全部編寫(xiě)完畢，還是比較簡(jiǎn)單的吧，把上面的數(shù)字在修改成圖7，為啥是7，因?yàn)橹荒塬@取到前面150條數(shù)據(jù)
來(lái)源：https://www./content-1-349351.html
|
