摘要:写在前面用写爬虫的人很多,的爬虫框架也很多,诸如和,笔者还是笔记倾向于,本文就用写一个小爬虫。本文适用于有一定基础的,并且对爬虫有一定了解的开发者。
写在前面
用python写爬虫的人很多,python的爬虫框架也很多,诸如pyspider 和 scrapy,笔者还是笔记倾向于scrapy,本文就用python写一个小爬虫demo。
本文适用于有一定python基础的,并且对爬虫有一定了解的开发者。
检查环境,python的版本为3.6.2,pip为9.0.1
F: echleepython>python --version Python 3.6.2 F: echleepython>pip --version pip 9.0.1 from d:program filespythonpython36-32libsite-packages (python 3.6)
安装scrapy框架
F: echleepython>pip install scrapy Collecting scrapy Downloading Scrapy-1.4.0-py2.py3-none-any.whl (248kB) 100% |████████████████████████████████| 256kB 188kB/s // 漫长的安装过程 Successfully installed Twisted-17.9.0 scrapy-1.4.0
如果报错:
error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools
请安装Visual C++ 2015 Build Tools
http://landinghub.visualstudi...
安装完成
F: echleepython>scrapy version Scrapy 1.4.0创建项目
F: echleepython>scrapy startproject scrapyDemo New Scrapy project "scrapyDemo", using template directory "d:program filespythonpython36-32libsite-packagesscrapy emplatesproject", created in: F: echleepythonscrapyDemo You can start your first spider with: cd scrapyDemo scrapy genspider example example.com
目录结构
scrapyDemo/ scrapy.cfg # 部署配置文件 scrapyDemo/ # python模块 __init__.py items.py # 数据容器 pipelines.py # project pipelines file settings.py # 配置文件 spiders/ # Spider类定义了如何爬取某个(或某些)网站 __init__.py
创建执行爬取的类ImoocSpider在 scrapyDemo/spiders中
# -*- coding: utf-8 -*- import scrapy from urllib import parse as urlparse # 慕课网爬取 class ImoocSpider(scrapy.Spider): # spider的名字定义了Scrapy如何定位(并初始化)spider,所以其必须是唯一的 name = "imooc" # URL列表 start_urls = ["http://www.imooc.com/course/list"] # 域名不在列表中的URL不会被爬取。 allowed_domains = ["www.imooc.com"] def parse(self, response): learn_nodes = response.css("a.course-card") for learn_node in learn_nodes : learn_url = learn_node.css("::attr(href)").extract_first() yield scrapy.Request(url=urlparse.urljoin(response.url,learn_url),callback=self.parse_learn) def parse_learn(self, response): title = response.xpath("//h2[@class="l"]/text()").extract_first() content = response.xpath("//div[@class="course-brief"]/p/text()").extract_first() url = response.url print ("标题:" + title) print ("地址:" + url)开始爬取
F: echleepythonscrapyDemo>scrapy crawl imooc
如果出现,则缺少win32api库,选择相应的版本
下载地址:https://sourceforge.net/proje...
import win32api ModuleNotFoundError: No module named "win32api"大功告成
看到如下输出,就说明爬取成功啦
F: echleepythonscrapyDemo>scrapy crawl imooc 2017-10-17 14:28:32 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: scrapyDemo) …… 2017-10-17 14:28:32 [scrapy.core.engine] INFO: Spider opened 2017-10-17 14:28:32 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min) 2017-10-17 14:28:32 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023 2017-10-17 14:28:32 [scrapy.core.engine] DEBUG: Crawled (200)(referer: None) 2017-10-17 14:28:33 [scrapy.core.engine] DEBUG: Crawled (200) (referer: None) 2017-10-17 14:28:33 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:集成MultiDex项目实战 地址:http://www.imooc.com/learn/876 2017-10-17 14:28:33 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:阿里D2前端技术论坛——2016初心 地址:http://www.imooc.com/learn/893 2017-10-17 14:28:33 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 2017-10-17 14:28:33 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:Hadoop进阶 地址:http://www.imooc.com/learn/890 标题:Javascript实现二叉树算法 地址:http://www.imooc.com/learn/888 2017-10-17 14:28:33 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:Fragment应用上 地址:http://www.imooc.com/learn/894 2017-10-17 14:28:34 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:PHP-面向对象 地址:http://www.imooc.com/learn/887 2017-10-17 14:28:34 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 2017-10-17 14:28:34 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 2017-10-17 14:28:34 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:Sketch的基础实例应用 地址:http://www.imooc.com/learn/900 标题:ElasticSearch入门 地址:http://www.imooc.com/learn/889 标题:使用Google Guice实现依赖注入 地址:http://www.imooc.com/learn/901 2017-10-17 14:28:34 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:Docker入门 地址:http://www.imooc.com/learn/867 2017-10-17 14:28:34 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:Android图表绘制之直方图 地址:http://www.imooc.com/learn/878 2017-10-17 14:28:34 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:UI版式设计 地址:http://www.imooc.com/learn/892 2017-10-17 14:28:35 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 2017-10-17 14:28:35 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:RxJava与RxAndroid基础入门 地址:http://www.imooc.com/learn/877 标题:iOS开发之Audio特辑 地址:http://www.imooc.com/learn/886 2017-10-17 14:28:35 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:基于Websocket的火拼俄罗斯(基础) 地址:http://www.imooc.com/learn/861 2017-10-17 14:28:35 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 2017-10-17 14:28:35 [scrapy.core.engine] DEBUG: Crawled (200) (referer: http://www.imooc.com/course/list) 标题:2017AWS 技术峰会——大数据技术专场 地址:http://www.imooc.com/learn/895 标题:基于websocket的火拼俄罗斯(单机版) 地址:http://www.imooc.com/learn/882
原文 https://www.tech1024.cn/origi...
保存数据到mysql数据库 https://www.tech1024.cn/origi...
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/40948.html
摘要:时间永远都过得那么快,一晃从年注册,到现在已经过去了年那些被我藏在收藏夹吃灰的文章,已经太多了,是时候把他们整理一下了。那是因为收藏夹太乱,橡皮擦给设置私密了,不收拾不好看呀。 ...
摘要:坦克大战上简介上的坦克大战相信大家都玩过有逃学玩坦克的可以自己默默的扣一个了我们现在长大了,学习游戏开发了。 写在前面 上一篇(https://www.tech1024.cn/origi... )说了如何创建项目,并爬去网站内容,下面我们说一下如何保存爬去到的数据 开始爬取 创建Spider,上一篇我们已经创建了ImoocSpider,我们做一下修改,可以连续下一页爬取。scrapyD...
摘要:用例运行爬虫命令基本语法是否需要项目存在当然是不需要咯貌似这个命令是不依托一个项目而直接运行一个爬虫的命令。用例我终于写完了,喜欢的就收藏推荐一下吧,这样我就会更有动力写新的教程了,哇哈哈 0. 基本环境说明 本文截图及运行环境均在Win8上实现(是的,我放假回家了,家里的机器是win8的没有办法),但基本步骤与win 7环境基本相同。(应该把~)ps:我后来换了台win7的电脑,所...
摘要:所以如果对爬虫有一定基础,上手框架是一种好的选择。缺少包,使用安装即可缺少包,使用安装即可上一篇文章网络爬虫实战爬取相关库的安装的安装下一篇文章网络爬虫实战爬虫框架的安装 上一篇文章:Python3网络爬虫实战---9、APP爬取相关库的安装:Appium的安装下一篇文章:Python3网络爬虫实战---11、爬虫框架的安装:ScrapySplash、ScrapyRedis 我们直接...
阅读 675·2021-10-14 09:42
阅读 1946·2021-09-22 15:04
阅读 1528·2019-08-30 12:44
阅读 2117·2019-08-29 13:29
阅读 2703·2019-08-29 12:51
阅读 524·2019-08-26 18:18
阅读 662·2019-08-26 13:43
阅读 2770·2019-08-26 13:38