爬虫之scrapy框架的数据持久化存储/保存为scv,json文件
文章目录
- 前情回顾
- selenium+phantomjs/chrome/firefox
- execjs模块使用
- 今日笔记
- scrapy框架
- 小试牛刀
- 猫眼电影案例
- 知识点汇总
- 数据持久化存储(MySQL)
- 实现步骤
- 保存为csv、json文件
- 盗墓笔记小说抓取案例(三级页面)
- 今日任务
前情回顾
selenium+phantomjs/chrome/firefox
- 设置无界面模式(chromedriver | firefox)
options = webdriver.ChromeOptions()
options.add_argument('--headless')browser = webdriver.Chrome(options=options)
browser.get(url)
- browser执行JS脚本
browser.execute_script(
'window.scrollTo(0,document.body.scrollHeight)'
)
time.sleep(2)
- selenium常用操作
# 1、键盘操作
from selenium.webdriver.common.keys import Keys
node.send_keys(Keys.SPACE)
node.send_keys(Keys.CONTROL, 'a')
node.send_keys(Keys.CONTROL, 'c')
node.send_keys(Keys.CONTROL, 'v')
node.send_keys(Keys.ENTER)# 2、鼠标操作
from selenium.webdriver import ActionChains
mouse_action = ActionChains(browser)
mouse_action.move_to_element(node)
mouse_action.perform()# 3、切换句柄
all_handles = browser.window_handles
browser.switch_to.window(all_handles[1])# 4、iframe子框架
browser.switch_to.iframe(iframe_element)
execjs模块使用
# 1、安装
sudo pip3 install pyexecjs# 2、使用(执行js代码)
with open('file.js','r') as f:js = f.read()obj = execjs.compile(js)
result = obj.eval('string')
今日笔记
scrapy框架
- 定义
异步处理框架,可配置和可扩展程度非常高,Python中使用最广泛的爬虫框架
- 安装
# Ubuntu安装
1、安装依赖包1、sudo apt-get install libffi-dev2、sudo apt-get install libssl-dev3、sudo apt-get install libxml2-dev4、sudo apt-get install python3-dev5、sudo apt-get install libxslt1-dev6、sudo apt-get install zlib1g-dev7、sudo pip3 install -I -U service_identity
2、安装scrapy框架1、sudo pip3 install Scrapy
# Windows安装
cmd命令行(管理员): python -m pip install Scrapy
# Error: Microsoft Visual C++ 14.0 is required xxx
- Scrapy框架五大组件
1、引擎(Engine) :整个框架核心
2、调度器(Scheduler) :维护请求队列
3、下载器(Downloader):获取响应对象
4、爬虫文件(Spider) :数据解析提取
5、项目管道(Pipeline):数据入库处理
**********************************
# 下载器中间件(Downloader Middlewares) : 引擎->下载器,包装请求(随机代理等)
# 蜘蛛中间件(Spider Middlewares) : 引擎->爬虫文件,可修改响应对象属性
- scrapy爬虫工作流程
# 爬虫项目启动
1、由引擎向爬虫程序索要第一个要爬取的URL,交给调度器去入队列
2、调度器处理请求后出队列,通过下载器中间件交给下载器去下载
3、下载器得到响应对象后,通过蜘蛛中间件交给爬虫程序
4、爬虫程序进行数据提取:1、数据交给管道文件去入库处理2、对于需要继续跟进的URL,再次交给调度器入队列,依次循环
- scrapy常用命令
# 1、创建爬虫项目(首字母大写)
scrapy startproject 项目名
# 2、创建爬虫文件
scrapy genspider 爬虫名 域名
# 3、运行爬虫
scrapy crawl 爬虫名
- scrapy项目目录结构
Baidu # 项目文件夹
├── Baidu # 项目目录
│ ├── items.py # 定义数据结构
│ ├── middlewares.py # 中间件
│ ├── pipelines.py # 数据处理
│ ├── settings.py # 全局配置
│ └── spiders
│ ├── baidu.py # 爬虫文件
└── scrapy.cfg # 项目基本配置文件
- 全局配置文件settings.py详解
# 1、定义User-Agent
USER_AGENT = 'Mozilla/5.0'
# 2、是否遵循robots协议,一般设置为False
ROBOTSTXT_OBEY = False
# 3、最大并发量,默认为16
CONCURRENT_REQUESTS = 32
# 4、下载延迟时间
DOWNLOAD_DELAY = 1
# 5、请求头,此处也可以添加User-Agent
DEFAULT_REQUEST_HEADERS={}
# 6、项目管道
ITEM_PIPELINES={'项目目录名.pipelines.类名':300
}
# 7.蜘蛛中间件(543:优先级(范围:1-1000) 数字越小优先级越高)
SPIDER_MIDDLEWARES = {'Baidu.middlewares.BaiduSpiderMiddleware': 543,
}
- 创建爬虫项目步骤
1、新建项目 :scrapy startproject 项目名
2、cd 项目文件夹
3、新建爬虫文件 :scrapy genspider 文件名 域名
4、明确目标(items.py)
5、写爬虫程序(文件名.py)
6、管道文件(pipelines.py)
7、全局配置(settings.py)
8、运行爬虫 :scrapy crawl 爬虫名
- pycharm运行爬虫项目
1、创建begin.py(和scrapy.cfg文件同目录)
2、begin.py中内容:from scrapy import cmdlinecmdline.execute('scrapy crawl maoyan'.split())
小试牛刀
- 目标
打开百度首页,把 '百度一下,你就知道' 抓取下来,从终端输出
/html/head/title/text()
- 实现步骤
1、创建项目Baidu 和 爬虫文件baidu
1、scrapy startproject Baidu
2、cd Baidu
3、scrapy genspider baidu www.baidu.com
2、编写爬虫文件baidu.py,xpath提取数据
# -*- coding: utf-8 -*-
import scrapyclass BaiduSpider(scrapy.Spider):name = 'baidu'allowed_domains = ['www.baidu.com']start_urls = ['http://www.baidu.com/']def parse(self, response):#起始地址的响应对象:response#extract_first():序列化列表对象,并提取第一个result = response.xpath('/html/head/title/text()').extract_first()print('*'*50)print(result)print('*'*50)
3、全局配置settings.py
USER_AGENT = 'Mozilla/5.0'
ROBOTSTXT_OBEY = False
DEFAULT_REQUEST_HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'en',
}
4、创建run.py(和scrapy.cfg同目录)
Baidu目录下的文件
from scrapy import cmdline
#在终端执行命令加(.split():列表中的元素一个一个单词输入)
cmdline.execute('scrapy crawl baidu'.split())
5、启动爬虫
直接运行 run.py 文件即可
思考运行过程
猫眼电影案例
- 目标
URL: 百度搜索 -> 猫眼电影 -> 榜单 -> top100榜
内容:电影名称、电影主演、上映时间
- 实现步骤
1、创建项目和爬虫文件
# 1、创建爬虫项目
# 2、创建爬虫文件
# https://maoyan.com/board/4?offset=0
2、定义要爬取的数据结构(items.py)
name = scrapy.Field()
star = scrapy.Field()
time = scrapy.Field()
3、编写爬虫文件(maoyan.py)
1、基准xpath,匹配每个电影信息节点对象列表dd_list = response.xpath('//dl[@class="board-wrapper"]/dd')
2、for dd in dd_list:电影名称 = dd.xpath('./a/@title')电影主演 = dd.xpath('.//p[@class="star"]/text()')上映时间 = dd.xpath('.//p[@class="releasetime"]/text()')
代码实现一
# -*- coding: utf-8 -*-
import scrapyfrom ..items import MaoyanItemclass MaoyanSpider(scrapy.Spider):name = 'maoyan'allowed_domains = ['maoyan.com']start_urls = ['https://maoyan.com/board/4']offset=0def parse(self, response):# response:start_urls中响应的对象# 基准的xpath ,匹配电影信息dd节点对象列表dd_list = response.xpath('//dl[@class="board-wrapper"]/dd')# 实例化item中对象item = MaoyanItem()for dd in dd_list:# 1.6版本以后用个get []赋值,不能用'.'item['name'] = dd.xpath('./a/@title').get()item['star'] = dd.xpath('.//p[@class="star"]/text()').get()item['time'] = dd.xpath('.//p[@class="releasetime"]/text()').get()# 交给管道处理数据yield itemif self.offset<90:self.offset+=10url='https://maoyan.com/board/4?offset='+str(self.offset)#把url地址交个调度器入队列yield scrapy.Request(url=url,callback=self.parse)
代码实现二
# -*- coding: utf-8 -*-
import scrapyfrom ..items import MaoyanItemclass MaoyanSpider(scrapy.Spider):name = 'maoyan'allowed_domains = ['maoyan.com']start_urls = ['https://maoyan.com/board/4']#重写scrapy的start_requests()方法#拼接所有地址,交给调度器调度def start_requests(self):for offset in range(0,91,10):url = 'https://maoyan.com/board/4?offset=' + str(offset)# 把url地址交个调度器入队列yield scrapy.Request(url=url,callback=self.parse_html)def parse_html(self, response):# response:start_urls中响应的对象# 基准的xpath ,匹配电影信息dd节点对象列表dd_list = response.xpath('//dl[@class="board-wrapper"]/dd')# 实例化item中对象item = MaoyanItem()for dd in dd_list:# 1.6版本以后用个get []赋值,不能用'.'item['name'] = dd.xpath('./a/@title').get()item['star'] = dd.xpath('.//p[@class="star"]/text()').get()item['time'] = dd.xpath('.//p[@class="releasetime"]/text()').get()# 交给管道处理数据yield item
4、定义管道文件(pipelines.py)
class MaoyanPipeline(object):def process_item(self, item, spider):#输出数据print(item["name"])return item
5、全局配置文件(settings.py)
BOT_NAME = 'Maoyan'
SPIDER_MODULES = ['Maoyan.spiders']
NEWSPIDER_MODULE = 'Maoyan.spiders'ROBOTSTXT_OBEY = FalseLOG_LEVEL='WARNING' #取消调试信息
#请求头
DEFAULT_REQUEST_HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'en','User-Agent':'Mozilla/5.0',
}
#开启管道
ITEM_PIPELINES = {'Maoyan.pipelines.MaoyanPipeline': 300,
}
- 创建并运行文件(run.py)
from scrapy import cmdline
cmdline.execute('scrapy crawl maoyan'.split())
知识点汇总
- 节点对象.xpath(’’)
1、列表,元素为选择器 ['<selector data='A'>]
2、列表.extract() :序列化列表中所有选择器为Unicode字符串 ['A','B','C']
3、列表.extract_first() 或者 get() :获取列表中第1个序列化的元素(字符串)
- 日志变量及日志级别(settings.py)
# 日志相关变量
LOG_LEVEL = 'WARNING'
LOG_FILE = '文件名.log'# 日志级别
5 CRITICAL :严重错误
4 ERROR :普通错误
3 WARNING :警告
2 INFO :一般信息(检查中间件等配置)
1 DEBUG :调试信息
# 注意: 只显示当前级别的日志和比当前级别日志更严重的
- 管道文件使用
1、在爬虫文件中为items.py中类做实例化,用爬下来的数据给对象赋值必须使用..进行引入,否则报错(文件存在)from ..items import MaoyanItemitem = MaoyanItem()
2、管道文件(pipelines.py)
3、开启管道(settings.py)ITEM_PIPELINES = { '项目目录名.pipelines.类名':优先级 }
数据持久化存储(MySQL)
实现步骤
1、在setting.py中定义相关变量(数据库相关设置:主机名,用户名等)
2、pipelines.py中导入settings模块def open_spider(self,spider):# 爬虫开始执行1次,用于数据库连接def close_spider(self,spider):# 爬虫结束时执行1次,用于断开数据库连接
3、settings.py中添加此管道ITEM_PIPELINES = {'':200}# 注意 :process_item() 函数中一定要 return item ***
保存为csv、json文件
- 命令格式
scrapy crawl maoyan -o maoyan.csv
scrapy crawl maoyan -o maoyan.json
# settings.py中设置导出编码(主要针对于json文件)
FEED_EXPORT_ENCODING = 'utf-8'
总结
流程
1.创建项目+爬虫文件
2.items.py:定义数据结构
3.spider.py:解析数据
4.pipelines.py:处理数据
5.setting.py:全局配置
6.run.py:运行爬虫
response的方法
- response.xpath(’’)
- response.text():字符串
- response.body():字节串
选择器对象列表
- xxx.path().extract()
- xxx.path().extract_first()
- xxx.path().get()
重写start_requests()方法
- 去掉start_urls变量
- def start_requests()
setting.py常用变量
- LOG_LEVEL=’’
- LOG_FILE=’’
- FEED_EXPORT_ENCODING=’’
存数据
class xxxPIpeline(object):def open_spider(self,spider):passdef process_item(self,item,spider):#必须返回itemreturn itemdef close_spider(self,spider):pass
盗墓笔记小说抓取案例(三级页面)
- 目标
# 抓取目标网站中盗墓笔记1-8中所有章节的所有小说的具体内容,保存到本地文件
1、网址 :http://www.daomubiji.com/
- 准备工作xpath
1、一级页面xpath:
a节点: //li[contains(@id,"menu-item-20")]/a
title: ./text()
link : ./@href2、二级页面基准xpath ://articlefor循环遍历后:name=article.xpath('./a/text()').get()link=article.xpath('./a/@href').get()3、三级页面xpath:response.xpath('//article[@class="article-content"]//p/text()').extract()
# 结果: ['p1','p2','p3','']
- 项目实现
1、创建项目及爬虫文件
1、创建项目 :
2、创建爬虫 :
2、定义要爬取的数据结构 - items.py
import scrapyclass DaomuItem(scrapy.Item):# 确定pipelines处理数据时需要哪些数据# 1. 一级页面标题 - 创建文件夹需要title = scrapy.Field()# 2. 二级页面标题 - 创建文件需要name = scrapy.Field()# 3. 小说内容content = scrapy.Field()
3、爬虫文件实现数据抓取 - daomu.py
# -*- coding: utf-8 -*-
import scrapy
from ..items import DaomuItemclass DaomuSpider(scrapy.Spider):name = 'daomu'allowed_domains = ['www.daomubiji.com']start_urls = ['http://www.daomubiji.com/']def parse(self, response):a_list=response.xpath('//li[contains(@id,"menu-item-20")]/a')for a in a_list:item=DaomuItem()item["title"]=a.xpath('./text()').get()link=a.xpath('./@href').get()#把link交给调度器入队列yield scrapy.Request(url=link,#meta:在不同的解析函数间传递参数meta={"item":item},callback=self.parse_two_html)#解析二级页面def parse_two_html(self,response):#获取itemitem=response.meta['item']a_list=response.xpath('//article')for article in a_list:name=article.xpath('./a/text()').get()two_link=article.xpath('./a/@href').get()#把link交给调度器进队列yield scrapy.Request(url=two_link,meta={"item":item,"name":name},callback=self.parse_three_html)def parse_three_html(self,response):# 获取itemitem = response.meta['item']item["name"]=response.meta['name']content_list = response.xpath('//article[@class="article-content"]//p/text()').extract()item["content"]="\n".join(content_list)return item
4、管道文件实现数据处理 - pipelines.py
# -*- coding: utf-8 -*-# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import osclass DaomuPipeline(object):def process_item(self, item, spider):# 创建对应文件夹directory = '/home/tarena/novel/{}/'.format(item["title"])if not os.path.exists(directory):os.makedirs(directory)filename = directory + '{}.txt'.format(item["name"])with open(filename, "w") as f:f.write(item["content"])print(item["name"]+"*"*10+"下载完毕!")return item
5、全局配置 - setting.py
BOT_NAME = 'Daomu'SPIDER_MODULES = ['Daomu.spiders']
NEWSPIDER_MODULE = 'Daomu.spiders'ROBOTSTXT_OBEY = False
LOG_LEVEL='WARNING' #取消调试信息# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language': 'en','User-Agent':'Mozilla/5.0'
}# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {'Daomu.pipelines.DaomuPipeline': 300,
}
6、运行文件 - run.py
今日任务
1、scrapy框架有哪几大组件?以及各个组件之间是如何工作的?
2、腾讯招聘尝试改写为scrapyresponse.text :获取页面响应内容
3、豆瓣电影尝试改为scrapy
爬虫之scrapy框架的数据持久化存储/保存为scv,json文件相关推荐
- Python3[爬虫实战] scrapy爬取汽车之家全站链接存json文件
昨晚晚上一不小心学习了崔庆才,崔大神的博客,试着尝试一下爬取一个网站的全部内容,福利吧网站现在已经找不到了,然后一不小心逛到了汽车之家 (http://www.autohome.com.cn/beij ...
- python3 爬虫 全站_Python3[爬虫实战] scrapy爬取汽车之家全站链接存json文件
昨晚晚上一不小心学习了崔庆才,崔大神的博客,试着尝试一下爬取一个网站的全部内容,福利吧网站现在已经找不到了,然后一不小心逛到了汽车之家 (http://www.autohome.com.cn/beij ...
- 爬虫数据持久化存储——写入文件
这里写目录标题 爬虫数据持久化存储--写入文件 open方法 文件的读取及写入 爬虫数据持久化存储--csv文件 爬虫数据处理:操作数据库模块--pymysql pymysql介绍: pymysql安 ...
- Python爬虫之scrapy框架介绍
一.什么是Scrapy? Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架,非常出名,非常强悍.所谓的框架就是一个已经被集成了各种功能(高性能异步下载,队列,分布式,解析,持久化等) ...
- 14. python爬虫——基于scrapy框架爬取糗事百科上的段子内容
python爬虫--基于scrapy框架爬取糗事百科上的段子内容 1.需求 2.分析及实现 3.实现效果 4.进行持久化存储 (1)基于终端指令 (2)基于管道 [前置知识]python爬虫--scr ...
- python爬虫之Scrapy框架的post请求和核心组件的工作 流程
python爬虫之Scrapy框架的post请求和核心组件的工作 流程 一 Scrapy的post请求的实现 在爬虫文件中的爬虫类继承了Spider父类中的start_urls,该方法就可以对star ...
- scrapy获取a标签的连接_python爬虫——基于scrapy框架爬取网易新闻内容
python爬虫--基于scrapy框架爬取网易新闻内容 1.需求[前期准备] 2.分析及代码实现(1)获取五大板块详情页url(2)解析每个板块(3)解析每个模块里的标题中详情页信息 点击此处,获取 ...
- 解析python网络爬虫pdf 黑马程序员_正版 解析Python网络爬虫 核心技术 Scrapy框架 分布式爬虫 黑马程序员 Python应用编程丛书 中国铁道出版社...
商品参数 书名:Python应用编程丛书:解析Python网络爬虫:核心技术.Scrapy框架.分布式爬虫 定价:52.00元 作者:[中国]黑马程序员 出版社:中国铁道出版社 出版日期:2018-0 ...
- 19. python爬虫——基于scrapy框架爬取网易新闻内容
python爬虫--基于scrapy框架爬取网易新闻内容 1.需求 [前期准备] 2.分析及代码实现 (1)获取五大板块详情页url (2)解析每个板块 (3)解析每个模块里的标题中详情页信息 1.需 ...
最新文章
- Java线程如何转储
- c++ softmax sigmoid
- 页面监听,一段时间内不操作网页,就自动跳转到登录页
- 【qduoj - 夏季学期创新题】骑士游历(递推dp)
- MySql数据类型介绍
- 张孝祥张老师一路走好!
- 芝加哥打字机_芝加哥打字机不是打字机
- 计算机加法的运算规则,计算机眼中的加法运算
- 如何进入Github【亲测有效】
- 选型宝访谈:怎样构建端到端的IT透视能力?
- 线性回归2020年天猫双十一销量
- Google 就业岗分析
- 【重庆大学917计算机专业基础综合】复习攻略
- 现代密码学之电子货币的加密
- OC 使用AVPlayer 简单的实现一个视频播放器
- 图扑软件数字孪生 3D 风电场,智慧风电之海上风电
- 青龙面板用wxpusher随时监控JD收益(之青龙2.12版)
- 【cpufreq】【governor】【performance】
- 基于stm32单片机俄罗斯方块小游戏Proteus仿真
- 香港“股神”曹仁超去世,留下41句经典语录!
热门文章
- PPT技巧-宏命令:如何一键删除所有页面动画效果
- SUS系统可用性量表
- html中frame背景颜色,如何修改frame窗口的背景颜色?
- android 分享到微博客户端,Android APP集成新浪微博分享功能
- Websphere远程代码执行-CVE-2015-7450
- Sass文件的导入import和Partials
- ocilib 使用_LibOciLib使用说明(2017-1-26更新)
- MIT线性代数1806(8) 矩阵 秩 特解 通解
- 鼠标被计算机无法识别怎么办,电脑无法识别鼠标的处理方案
- 《交互式程序设计 第2版》一1.2 交互领域中的编程