《数据采集技术》课件-项目六 任务2 Scrapy对接Selenium_第1页
《数据采集技术》课件-项目六 任务2 Scrapy对接Selenium_第2页
《数据采集技术》课件-项目六 任务2 Scrapy对接Selenium_第3页
《数据采集技术》课件-项目六 任务2 Scrapy对接Selenium_第4页
《数据采集技术》课件-项目六 任务2 Scrapy对接Selenium_第5页
已阅读5页，还剩7页未读， 继续免费阅读

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

使用Scrapy框架实现某网站书籍信息爬取目录01任务1创建爬取框架02任务2：Scrapy对接Selenium03任务3：使用Scrapy框架实现某网站书籍信息爬取任务2：Scrapy对接Selenium

任务描述

Scrapy抓取页面的方式和requests库类似，都是直接模拟HTTP请求，而Scrapy也不能抓取JavaScript动态渲染的页面。在前面的学习中，抓取JavaScript渲染的页面有两种方式。一种是分析Ajax请求，找到其对应的接口抓取，Scrapy同样可以用此种方式抓取。另一种是直接用Selenium模拟浏览器进行抓取，我们不需要关心页面后台发生的请求，也不需要分析渲染过程，只需要关心页面最终结果即可，可见即可爬。那么，如果Scrapy可以对接Selenium，那Scrapy就可以处理任何网站的抓取了。任务目标02010403了解Scrapy框架基本原理认识Scrapy框架核心组件会安装Scrapy框架能正确创建Scrapy框架项目任务二Scrapy对接Selenium2.1创建Scrapy项目

scrapystartprojectseleniumtest任务二Scrapy对接Selenium2.2创建Spider

cdseleniumtest

scrapygenspiderdangdang任务二Scrapy对接Selenium2.3修改ROBOTSTXT_OBEY为False

将其设为False后，Scrapy爬虫会忽略目标网站的robots.txt限制，直接爬取指定内容注意：

无视robots.txt可能违反网站的使用条款，甚至涉及法律风险，实际爬取需遵守相关规范。任务二Scrapy对接Selenium2.4定义Item

任务二Scrapy对接Selenium2.5修改Spider

统一定义在setttings.py里面任务二Scrapy对接Selenium2.6对接Selenium

对接Selenium进行抓取，采用DownloaderMiddleware来实现。在Middleware里面的process_request()方法里对每个抓取请求进行处理，启动浏览器

人人文库> 全部分类> 教育资料 > 课件下载

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

评论

0/150

提交评论