nine
nine
- Scarpy爬虫框架
https://www.cnblogs.com/kermitjam/articles/10147261.html?tdsourcetag=s_pctim_aiomsg
高并发的爬虫框架
Runspider只能执行某个 爬虫程序.py文件
将项目根目录导入
Xpath语法 获取内容（‘./text()’)
发送请求 —> 获取响应数据 —> 解析数据 —> 保存数据
Scarpy框架介绍
1、引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。
2、调度器(SCHEDULER)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
3、下载器(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
4、爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
5、项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，
你可用该中间件做以下几件事：
(1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
(2) change received response before passing it to a spider;
(3) send a new Request instead of passing received response to a spider;
(4) pass response to a spider without fetching a web page;
(5) silently drop some requests.
6、爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）
Scarpy安装
1、pip3 install wheel
2、pip3 install lxml
3、pip3 install pyopenssl
4、pip3 install pypiwin32
5、安装twisted框架
下载twisted
http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
安装下载好的twisted
pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
6、pip3 install scrapy
Scarpy使用
1、进入终端cmd
- scrapy
C:\Users\administortra>scrapy
Scrapy 1.6.0 - no active project
2、创建scrapy项目
1.创建一个文件夹，专门用于存放scrapy项目
- D:\Scrapy_prject
2.cmd终端输入命令
scrapy startproject Spider_Project（ 项目名）
- 会在 D:\Scrapy_prject文件夹下会生成一个文件
Spider_Project : Scrapy项目文件
3.创建爬虫程序
cd Spider_Project # 切换到scrapy项目目录下
# 爬虫程序名称 目标网站域名
scrapy genspider baidu www.baidu.com # 创建爬虫程序
3、启动scrapy项目，执行爬虫程序
# 找到爬虫程序文件进行执行
scrapy runspider只能执行某个 爬虫程序.py
# 切换到爬虫程序执行文件目录下
- cd D:\Scrapy_prject\Spider_Project\Spider_Project\spiders
- scrapy runspider baidu.py
# 根据爬虫名称找到相应的爬虫程序执行
scrapy crawl 爬虫程序名称
# 切换到项目目录下
- cd D:\Scrapy_prject\Spider_Project
- scrapy crawl baidu
1 1、进入终端cmd： 2 -scrapy 3 4 2、创建scrapy项目 5 1.创建文件夹存放scrapy项目 6 -D:\Scrapy_project\ 7 8 2.cmd终端输入命令 9 -scrapy starproject Spider_Project 10 会在D:\Scrapy_project\下生成文件夹 11 -Spider_Project ：Scrapy项目文件 12 13 3.创建好后会提示 14 -cd Spider_Project #切换到scrapy项目目录下 15 #爬虫程序名称 #目标网站域名 16 -scrapy genspider baidu www.baidu.com #创建爬虫程序 17 18 3.启动scrapy项目，执行爬虫程序 19 # 找到爬虫程序文件执行 20 scrapy runspider 爬虫程序.py 21 # 切换到爬虫程序执行目录下 22 -cd D:\Scrapy_project\Spider_Project\Spider_Project\spiders 23 -scrapy runspider baidu.py 24 25 # 根据爬虫名称找到相应的爬虫程序执行 26 scrapy crawl 爬虫程序名称 27 # 切换到项目目录下 28 - cd D:\Scrapy_prject\Spider_Project 29 - scrapy crawl baidu 30 31 ** Scarpy在pycharm中的使用 ** 32 1、创建一个py文件 33 from scrapy.cmdline import execute 34 execute() # 写scrapy执行命令
scrapy基本使用cmd
1 ''' 2 main.py 3 ''' 4 from scrapy.cmdline import execute 5 6 # 写终端命令 7 # scrapy crawl baidu 8 # 执行baidu爬虫程序 9 # execute(['scrapy', 'crawl', 'baidu']) 10 11 # 创建爬取链家网程序 12 # execute(['scrapy', 'genspider', 'lianjia', 'lianjia.com']) 13 14 # --nolog 去除日志 15 execute('scrapy crawl --nolog lianjia'.split(' ')) 16 17 ''' 18 Scrapy在Pycharm中使用 19 1.创建scrapy项目 20 在settings.py文件中有 21 -ROBOTSTXT_OBEY = True #默认遵循robot协议 22 修改为： 23 -ROBOTSTXT_OBEY = False 24 ''' 25 26 27 ''' 28 lianjia.py 29 ''' 30 # -*- coding: utf-8 -*- 31 import scrapy 32 from scrapy import Request 33 34 # response的类 35 36 class LianjiaSpider(scrapy.Spider): 37 name = 'lianjia' # 爬虫程序名 38 # 只保留包含lianjia.com的url 39 allowed_domains = ['lianjia.com'] # 限制域名 40 41 # 存放初始请求url 42 start_urls = ['https://bj.lianjia.com/ershoufang/'] 43 44 def parse(self, response): # response返回的响应对象 45 # print(response) 46 # print(type(response)) 47 # 获取文本 48 # print(response.text) 49 # print(response.url) 50 # //*[@id="position"]/dl[2]/dd/div[1] 51 52 # 获取城区列表url 53 area_list = response.xpath('//div[@data-role="ershoufang"]/div/a') 54 55 # 遍历所有区域列表 56 for area in area_list: 57 # print(area) 58 ''' 59 .extract()提取多个 60 .extract_first()提取一个 61 ''' 62 # 1、区域名称 63 area_name = area.xpath('./text()').extract_first() 64 65 # 2、区域二级url 66 area_url = 'https://bj.lianjia.com/' + area.xpath('./@href').extract_first() 67 68 # 会把area_url的请求响应数据交给parse_area方法 69 # yield后面跟着的都会添加到生成器中 70 yield Request(url=area_url, callback=self.parse_area) 71 72 def parse_area(self, response): 73 # print(response) 74 75 # 获取主页房源ul标签对象 76 house_list = response.xpath('//ul[@class="sellListContent"]') 77 # print(house_list) 78 if house_list: 79 for house in house_list: 80 # 房源名称 81 # //*[@id="leftContent"]/ul/li[1]/div/div[1]/a 82 house_name = house.xpath('.//div[@class="title"]/a/text()').extract_first() 83 print(house_name) 84 85 # 房源价格 86 # //*[@id="leftContent"]/ul/li[1]/div/div[4]/div[2]/div[1]/span 87 house_cost = house.xpath('.//div[@class="totalPrice"]/span/text()').extract_first() + '万' 88 print(house_cost) 89 90 # 房源单价 91 # //*[@id="leftContent"]/ul/li[1]/div/div[4]/div[2]/div[2]/span 92 house_price = house.xpath('.//div[@class="unitPrice"]/span/text()').extract_first() 93 print(house_price) 94 95 # yield Request(url='下一级url', callback=self.parse_area) 96 pass
Scrapy在Pycharm中使用
- 微信机器人
1 from wxpy import Bot 2 from pyecharts import Pie 3 import webbrowser 4 5 # 实例化一个微信机器人对象 6 bot = Bot() 7 8 # 获取到微信的所有好友 9 friends = bot.friends() 10 11 # 设定男性\女性\位置性别好友名称 12 attr = ['男朋友', '女朋友', '人妖'] 13 14 # 初始化对应好友数量 15 value = [0, 0, 0] 16 17 # 遍历所有的好友,判断这个好友是男性还是女性 18 for friend in friends: 19 if friend.sex == 1: 20 value[0] += 1 21 elif friend.sex == 2: 22 value[1] += 1 23 else: 24 value[2] += 1 25 26 # 实例化一个饼状图对象 27 pie = Pie('Forver的好友们!') 28 29 # 图表名称str，属性名称list，属性所对应的值list，is_label_show是否现在标签 30 pie.add('', attr, value, is_label_show=True) 31 32 # 生成一个html文件 33 pie.render('friends.html') 34 35 # 打开html文件 36 webbrowser.open('friends.html')
View Code
posted on 2019-06-25 11:44 LettersfromSuperz 阅读(…) 评论(…) 编辑 收藏
转载于:https://www.cnblogs.com/LettersfromSuperz/p/11081969.html
支付宝扫一扫
微信扫一扫
.png)
.png)
.png)
