付费下载
下载本文档
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1、教程pythonscrapyPython网络爬虫Scrapy存入数据库(转载)scrapy三步曲scrapy的简介、安装与实例(python抓取的爬虫框架)(原文地址:)实例,官方有个实例教程,算是比较简单了,然后后面有更详细的一项项解释,不过老实讲我还真是看不太懂,很多地方没有给出实例,所以我在网上找了一大堆资料后,弄了一个实例。现在列出来跟大家分享。1.实例初级目标:从一个网站的列表页抓取文章列表,然后存入数据库中,数据库包括文章标题、链接、时间首先生成一个项目:scrapy startproject fjsen目录结构大致如下:先定义下items,打开items.py: 我们开始建模的项
2、目,我们想抓取的标题,地址和时间的网站,我们定义域为这三个属性。这样做,我们编辑items.py,发现在开放目录目录。我们的项目看起来像这样:# Define here the models for your scraped items# See documentation in:#import Item, Field class FjsenItem(Item):# define the fields for your item here like:# name = Field()title=Field()link=Field()addtime=Field()大家想知道更加详细的话看:第二步:
3、定义一个spider,就是爬行蜘蛛(注意在工程的spiders文件夹下),他们确定一个初步清单的网址下载,如何跟随链接,以及如何分析这些内容的页面中提取项目(我们要抓取的网站是这列表的所有十页的链接和时间)。 新建一个fjsen_spider.py,内容如下: #-*- coding: utf-8 -*-from scrapy.spider import BaseSpiderfrom scrapy.selector import HtmlXPathSelector from fjsen.itemsimport FjsenItemclass FjsenSpider(BaseSpider):nam
4、e=fjsenallowed_domains=start_urls=+str(x)+.htm for x inrange(2,11)+def parse(self,response):hxs=HtmlXPathSelector(response)sites=hxs.select(/ul/li)items=for site in sites:item=FjsenItem()itemtitle=site.select(a/text().extract()itemlink = site.select(a/href).extract()itemaddtime=site.select(span/text
5、().extract()items.append(item)return items name:是确定蜘蛛的名称。它必须是独特的,就是说,你不能设置相同的名称不同的蜘蛛。allowed_domains:这个很明显,就是允许的域名,或者说爬虫所允许抓取的范围仅限这个列表里面的域名。 start_urls:是一个网址列表,蜘蛛会开始爬。所以,第一页将被列在这里下载。随后的网址将生成先后从数据中包含的起始网址。我这里直接是列出十个列表页。 parse():是蜘蛛的一个方法,当每一个开始下载的url返回的Response对象都会执行该函数。 这里面,我抓取每一个列表页中的下的下的数据,包括title,
6、链接,还有时间,并插入到一个列表中.第三步,将抓取到的数据存入数据库中,这里就得在pipelines.py这个文件里面修改了 # Define your item pipelines here# Dont forget to add your pipeline to the ITEM_PIPELINESsetting# See:import sqlite3from os import pathfrom scrapy import signalsfrom scrapy.xlib.pydispatch import dispatcherclass FjsenPipeline(object):def
7、 _init_(self):self.conn=Nonedispatcher.connect(self.initialize,signals.engine_started)dispatcher.connect(self.finalize,signals.engine_stopped)def process_item(self,item,spider):self.conn.execute(insert into fjsenvalues(?,?,?,?),(None,itemtitle0,+itemlink0,itemaddtime0)return item def initialize(self
8、):if path.exists(self.filename):self.conn=sqlite3.connect(self.filename)else:self.conn=self.create_table(self.filename)def finalize(self):if self.conn is not None:mit()self.conn.close()self.conn=Nonedef create_table(self,filename):conn=sqlite3.connect(filename)conn.execute(create table fjsen(id integer primary keyautoincrement,title text,link text,addtime text)mit()return conn这里我暂时不解释,先继续,让这个蜘蛛跑起来再说。 第四步:修改setting.py
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年长城心脑血管病医院医护人员招聘考试参考题库及答案详解
- 2026年江西省胸科医院医护人员招聘考试参考题库及答案详解
- 2026年华中科技大学同济医学院附属同济医院医护人员招聘笔试备考题库及答案详解
- 2025年沈阳市第四人民医院医护人员招聘考试试题附答案详解
- 2026年宿州市立医院医护人员招聘笔试参考题库及答案详解
- 2026年黑龙江中医药大学附属第一医院医护人员招聘笔试参考试题及答案详解
- 2026年内蒙古医科大学第二附属医院医护人员招聘笔试参考题库及答案详解
- 2026年小微商户易操作收银系统指南
- 2026年武警湖北省总队医院医护人员招聘考试参考题库及答案详解
- 2026年首都医科大学附属北京佑安医院医护人员招聘笔试备考试题及答案详解
- 2026年陕西省中考语文古诗文默写专项自测训练53题(全新原创版)
- 《外贸跟单操作》课件-1 外贸跟单与外贸跟单员
- 2026贵州省公路工程集团有限公司第一批公开招聘53人笔试备考题库及答案解析
- 2026摩洛哥太阳能发电市场现状供需特点竞争分析及投资评估规划研究报告
- 《固态电力变压器第1部分技术规范》
- 2025江苏省数据集团第二批招聘考试参考试题及答案解析
- 2026年水体遥感监测技术与案例
- 2025-2030中国高纯度腰果酚市场未来趋势及前景需求量预测研究报告
- 财产保全被申请人财产线索清单
- 财务会计-上交所、深交所、北交所典型会计案例研究(2025年汇编)
- 肾病患者高血压健康宣教
评论
0/150
提交评论