摘要:前言这个文章是延续之前爬取妹子图的延续,之前的爬虫可以爬取一个页面的图片,爬取一次大概张图片的样子,按照之前的计划,本次要进一步完善爬虫,爬取妹子图全网图片。做完上述改动后,爬虫运行基本正常,但是爬取的速度有点慢,个小时大概爬取了张图片。
0. 前言
这个文章是延续之前《爬取妹子图 Lv1》的延续,之前的爬虫可以爬取一个页面的图片,爬取一次大概400张图片的样子,按照之前的计划,本次要进一步完善爬虫,爬取妹子图全网图片。由于之前已经有了爬虫的雏形,所以本篇文章仅对增改内容进行说明。
系统环境System Version:Ubuntu 16.04
Python Version:3.5.2
Scrapy Version:1.5.0
from scrapy import Request from scrapy.spiders import Spider from spider_meizitu.items import SpiderMeizituItem import re class MeizituSpider(Spider): name = "meizitu" start_urls = { "http://www.meizitu.com/a/more_1.html", } def parse(self, response): meizi_pic_lists = response.xpath("//ul[@class="wp-list clearfix"]/li") for i, meizi_item in enumerate(meizi_pic_lists): meizi_item_url = meizi_item.xpath(".//h3[@class="tit"]/a/@href").extract()[0] print("===== 当前爬取页面共有图片%s组,正在抓取第%s组图片,页面链接:: %s ====="% (len(meizi_pic_lists),i+1,meizi_item_url)) yield Request(meizi_item_url,callback=self.parse_meizi_pic) next_url = re.findall("下一页",response.xpath("//*[@id="wp_page_numbers"]").extract()[0]) print("next_url:::::",next_url) #print("response:::::",response.xpath("//*[@id="wp_page_numbers"]").extract()[0]) if next_url: next_url = "http://www.meizitu.com/a/" + next_url[0] print("========== Request Next Url :: %s ==========" % next_url ) yield Request(next_url,callback=self.parse) def parse_meizi_pic(self,response): print("========== parse_meizi_pic response::: %s =========="% response) item = SpiderMeizituItem() meizitu_pics = response.xpath("//div[@id="picture"]/p/img") for i, meizitu_pic in enumerate(meizitu_pics): item["images"] = meizitu_pic.xpath(".//@alt").extract()[0].split(",")[0] item["image_urls"] = meizitu_pic.xpath(".//@src").extract() print("===== 当前页面共有图片%s张,正在抓取第%s张图片,图片链接:: %s ====="% (len(meizitu_pics),i+1,item["image_urls"])) yield item1.2. 增改项目说明 1.2.1. import re
为了定位下一页的跳转链接,所以加入了正则表达式。
1.2.2. next_urlnext_url = re.findall("下一页",response.xpath("//*[@id="wp_page_numbers"]").extract()[0])
利用正则表达式来提取下一页的链接地址,re.findall的第一个参数是正则表达式,第二个参数是要匹配的字符串。利用response.xpath将页面中分页菜单部分的html代码提取出来用于正则匹配,返回的结果就是下一页按钮中的超链接。如果当前页面是http://www.meizitu.com/a/more_1.html,得到的url就是more_2.html。
接下来就将得到的next_url 与主链接合并成完整链接,输出给parse函数继续处理。
2. settings做完之前的改动后,我开始爬取页面图片,爬取more_1.html页面之后可以正常跳转到more_2.html,之后到more_3.html、more_4.html。但是出现一个问题就是在爬取到后期的时候,每个页面的39个项目中只能爬取到最后一个,有时候一个也爬不到,最终爬虫运行完毕后,我只得到了900+的图片。由于本人基础知识还不够扎实,只是有两方面怀疑,一是网站对请求做了限制,规定时间内如果请求过多则爬不到页面,二是scrapy的download队列有数量限制,爬取到大概50个页面的时候,好像队列就满了,无法再新增项目,只有前面的队列完成后,才能有新的项目进入队列。不论是哪个原因,我对setting做了些修改,打开或者增加了一些setting设置,具体如下:
配置Scrapy执行的最大并发请求 默认16
CONCURRENT_REQUESTS = 128
设置下载延迟 默认 0
DOWNLOAD_DELAY = 5
禁用cookies
COOKIES_ENABLED = False
日志输出基本,默认: "DEBUG",log的最低级别。可选的级别有: CRITICAL、 ERROR、WARNING、INFO、DEBUG。
LOG_LEVEL = "INFO"
做完上述改动后,爬虫运行基本正常,但是爬取的速度有点慢,12个小时大概爬取了9000张图片。
3. 后续有心的朋友能够看到,在这两个爬虫实例中,我始终没有去写pipeline,一直使用scrapy自带的pipeline模块。但是默认的pipeline模块下载的图片名称不可读,下一步,我将重写pipeline组件,实现文件命名和分目录存储的功能。
最后,发一个我自己理解的这个爬虫的运行流程图,由于scrapy框架比较大,高端应用(如调度器、规则等)还没有用到,也没在这个图里体现出来,仅供新手学习。
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/41425.html
摘要:爬取妹子图的实例打算分成三部分来写,尝试完善实用性。中的每一个子项都是一个标签。这个说明的前提是不自定义当爬虫完成的模型数据采集后,会自动将发送给处理。 0. 前言 这是一个利用python scrapy框架爬取网站图片的实例,本人也是在学习当中,在这做个记录,也希望能帮到需要的人。爬取妹子图的实例打算分成三部分来写,尝试完善实用性。 系统环境 System Version:Ubunt...
摘要:很多人学习爬虫的第一驱动力就是爬取各大网站的妹子图片,比如比较有名的。最后我们只需要运行程序,即可执行爬取,程序运行命名如下完整代码我已上传到微信公众号后台,在痴海公众号后台回复即可获取。本文首发于公众号痴海,后台回复即可获取最新编程资源。 showImg(https://segmentfault.com/img/remote/1460000016780800); 阅读文本大概需要 1...
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:学习网站爬虫,整站爬取妹子图定义爬取的内容的编写提供了一种便捷的方式填充抓取到的是页面源代码,载入每个连接,用属性请求连接,返回请求获取页码集合打印页码如果页码集合图片连接读取页码集合的倒数第二个页码图片连接替换成空返回请求用载 学习网站:爬虫,整站爬取妹子图 1.item.py(定义爬取的内容) import scrapy class MeizituItem(scrapy.Ite...
摘要:爬取百思不得姐首先一步一步来,我们先从爬最简单的文本开始。将百思不得姐段子保存到中别忘了将管道加到配置文件中。虽然我只是简单的爬了百思不得姐,不过这些方法可以应用到其他方面,爬取更多更有用的数据。 前一篇文章介绍了很多关于scrapy的进阶知识,不过说归说,只有在实际应用中才能真正用到这些知识。所以这篇文章就来尝试利用scrapy爬取各种网站的数据。 爬取百思不得姐 首先一步一步来,我...
阅读 1414·2021-11-25 09:43
阅读 2540·2021-09-24 10:30
阅读 3638·2021-09-06 15:02
阅读 3570·2019-08-30 15:55
阅读 3258·2019-08-30 15:53
阅读 1570·2019-08-30 15:52
阅读 2125·2019-08-30 14:21
阅读 1908·2019-08-30 13:55