python爬虫视频课程推荐_Python 爬虫实战案例(推荐小白研究)
爬取csdn学院中的课程信息(编程语言的)
任务:爬取csdn学院中的课程信息(编程语言的)
网址:https://edu.csdn.net/courses/o280/p1 (第一页)
https://edu.csdn.net/courses/o280/p2 (第二页)
① 创建项目在命令行编写下面命令,创建项目demoscrapy startproject educsdn项目目录结构:educsdn
├── educsdn
│ ├── __init__.py
│ ├── __pycache__
│ ├── items.py # Items的定义,定义抓取的数据结构
│ ├── middlewares.py # 定义Spider和DownLoader的Middlewares中间件实现。
│ ├── pipelines.py # 它定义Item Pipeline的实现,即定义数据管道
│ ├── settings.py # 它定义项目的全局配置
│ └── spiders # 其中包含一个个Spider的实现,每个Spider都有一个文件
│ ├── __init__.py
│ └── __pycache__
└── scrapy.cfg #Scrapy部署时的配置文件,定义了配置文件路径、部署相关信息等内容
② 进入educsdn项目目录,创建爬虫spider类文件(courses课程)执行genspider命令,第一个参数是Spider的名称,第二个参数是网站域名。scrapy genspider courses edu.csdn.net
$ tree
├── demo
│ ├── __init__.py
│ ├── __pycache__
│ │ ├── __init__.cpython-36.pyc
│ │ └── settings.cpython-36.pyc
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ ├── __init__.py
│ ├── __pycache__
│ │ └── __init__.cpython-36.pyc
│ └── courses.py #在spiders目录下有了一个爬虫类文件courses.py
└── scrapy.cfg
# courses.py的文件代码如下:
# -*- coding: utf-8 -*-
import scrapy
class CoursesSpider(scrapy.Spider):
name = 'courses'
allowed_domains = ['edu.csdn.net']
start_urls = ['http://edu.csdn.net/']
def parse(self, response):
pass
③ 创建ItemItem是保存爬取数据的容器,它的使用方法和字典类型,但相比字典多了些保护机制。
创建Item需要继承scrapy.Item类,并且定义类型为scrapy.Field的字段:(课程标题、课程地址、图片、授课老师,视频时长、价格)
具体代码如下:(修改类名为CoursesItem)import scrapy
class CoursesItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field()
url = scrapy.Field()
pic = scrapy.Field()
teacher = scrapy.Field()
time = scrapy.Field()
price = scrapy.Field()
#pass
④ 解析Response在fang.py文件中,parse()方法的参数response是start_urls里面的链接爬取后的结果。
提取的方式可以是CSS选择器、XPath选择器或者是re正则表达式。# -*- coding: utf-8 -*-
import scrapy
from educsdn.items import CoursesItem
class CoursesSpider(scrapy.Spider):
name = 'courses'
allowed_domains = ['edu.csdn.net']
start_urls = ['https://edu.csdn.net/courses/o280/p1']
p=1
def parse(self, response):
#解析并输出课程标题
#print(response.selector.css("div.course_dl_list span.title::text").extract())
#获取所有课程
dlist = response.selector.css("div.course_dl_list")
#遍历课程,并解析信息后封装到item容器中
for dd in dlist:
item = CoursesItem()
item['title'] = dd.css("span.title::text").extract_first()
item['url'] = dd.css("a::attr(href)").extract_first()
item['pic'] = dd.css("img::attr(src)").extract_first()
item['teacher'] = dd.re_first("
讲师:(.*?)
")
item['time'] = dd.re_first("([0-9]+)课时")
item['price'] = dd.re_first("¥([0-9\.]+)")
#print(item)
#print("="*70)
yield item
#获取前10页的课程信息
self.p += 1
if self.p <= 10:
next_url = 'https://edu.csdn.net/courses/o280/p'+str(self.p)
url = response.urljoin(next_url) #构建绝对url地址(这里可省略)
yield scrapy.Request(url=url,callback=self.parse)
⑤、创建数据库和表:在mysql中创建数据库csdndb和数据表coursesCREATE TABLE `courses` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`title` varchar(255) DEFAULT NULL,
`url` varchar(255) DEFAULT NULL,
`pic` varchar(255) DEFAULT NULL,
`teacher` varchar(32) DEFAULT NULL,
`time` varchar(16) DEFAULT NULL,
`price` varchar(16) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8
⑥、使用Item PipelineItem Pipeline为项目管道,当Item生产后,他会自动被送到Item Pipeline进行处理:
我们常用Item Pipeline来做如下操作:清理HTML数据
验证抓取数据,检查抓取字段
查重并丢弃重复内容
将爬取结果保存到数据库里。import pymysql
from scrapy.exceptions import DropItem
class EducsdnPipeline(object):
def process_item(self, item, spider):
if item['price'] == None:
raise DropItem("Drop item found: %s" % item)
else:
return item
class MysqlPipeline(object):
def __init__(self,host,database,user,password,port):
self.host = host
self.database = database
self.user = user
self.password = password
self.port = port
self.db=None
self.cursor=None
@classmethod
def from_crawler(cls,crawler):
return cls(
host = crawler.settings.get("MYSQL_HOST"),
database = crawler.settings.get("MYSQL_DATABASE"),
user = crawler.settings.get("MYSQL_USER"),
password = crawler.settings.get("MYSQL_PASS"),
port = crawler.settings.get("MYSQL_PORT")
)
def open_spider(self,spider):
self.db = pymysql.connect(self.host,self.user,self.password,self.database,charset='utf8',port=self.port)
self.cursor = self.db.cursor()
def process_item(self, item, spider):
sql = "insert into courses(title,url,pic,teacher,time,price) values('%s','%s','%s','%s','%s','%s')"%(item['title'],item['url'],item['pic'],item['teacher'],str(item['time']),str(item['price']))
#print(item)
self.cursor.execute(sql)
self.db.commit()
return item
def close_spider(self,spider):
self.db.close()
⑦ 修改配置文件打开配置文件:settings.py 开启并配置ITEM_PIPELINES信息,配置数据库连接信息ITEM_PIPELINES = {
'educsdn.pipelines.EducsdnPipeline': 300,
'educsdn.pipelines.MysqlPipeline': 301,
}
MYSQL_HOST = 'localhost'
MYSQL_DATABASE = 'csdndb'
MYSQL_USER = 'root'
MYSQL_PASS = ''
MYSQL_PORT = 3306
⑧、运行爬取:执行如下命令来启用数据爬取
scrapy crawl courses
END
python爬虫视频课程推荐_Python 爬虫实战案例(推荐小白研究)相关推荐
- 视频教程-photoshop cc2017全套视频课程 从基础到实战案例PS海报-Photoshop
photoshop cc2017全套视频课程 从基础到实战案例PS海报 中国电商服务联盟品牌讲师.中国国际互联网节品牌顾问. 12年视觉设计经验,5年视觉讲师经验.电商品牌视觉策划讲师 .曾任知名电商 ...
- 视频教程-illustrator cc2017全套视频课程 从基础到实战案例AI海报-Illustrator
illustrator cc2017全套视频课程 从基础到实战案例AI海报 中国电商服务联盟品牌讲师.中国国际互联网节品牌顾问. 12年视觉设计经验,5年视觉讲师经验.电商品牌视觉策划讲师 .曾任知名 ...
- photoshop cc2017全套视频课程 从基础到实战案例PS海报-王诚-专题视频课程
photoshop cc2017全套视频课程 从基础到实战案例PS海报-161人已学习 课程介绍 从基础掌握全套最重要的PS技能,基础技能讲课+实例教学. 彻底掌握PHOTOSHOP基 ...
- illustrator cc2017全套视频课程 从基础到实战案例AI海报-王诚-专题视频课程
illustrator cc2017全套视频课程 从基础到实战案例AI海报-54人已学习 课程介绍 从基础掌握全套AI基础课程,熟练掌握illustrator各项技巧. 基础教学加有趣 ...
- python爬虫视频 下载 黑马_Python爬虫能爬视频么(python爬虫零基础视频教程)
Python爬虫能爬视频么 他视频没有的,但是跑了之后你要处理这个视频,就是问题的?你只需要,得到视频的播放地址,还是要把视频完整的下载到本地的.如果只是爬那个视频的下载地址,很简单,如果要下载的话, ...
- python朋友圈点赞统计_Python数据分析实战案例:统计分析微信朋友圈数据(附实操视频)...
原标题:Python数据分析实战案例:统计分析微信朋友圈数据(附实操视频) 本文内容将通过一个具体实例讲解将朋友圈数据导出为JSON文件的方法,并介绍使用Python统计分析JSON数据的过程. 注: ...
- python爬视频网站数据_python爬虫基础应用----爬取无反爬视频网站
一.爬虫简单介绍 爬虫是什么? 爬虫是首先使用模拟浏览器访问网站获取数据,然后通过解析过滤获得有价值的信息,最后保存到到自己库中的程序. 爬虫程序包括哪些模块? python中的爬虫程序主要包括,re ...
- python 线性回归 技术方案亮点_python线性回归实战案例
最近在学习朋友常国珍老师的书,内容非常实用!希望深入浅出学习机器学习的同学可学习北大博士常国珍建模实战课程系列常国珍录制的Python 数据科学机器学习教学视频,可以由浅入深的学习机器学习! 本案例代 ...
- 视频教程-Python爬虫视频课程:中国女性胸部大小分析-Python
Python爬虫视频课程:中国女性胸部大小分析 东北大学计算机专业硕士研究生,欧瑞科技创始人&CEO,曾任国内著名软件公司项目经理,畅销书作者,企业IT内训讲师,CSDN学院专家讲师,制作视频 ...
- Python爬虫视频课程:中国女性胸部大小分析-李宁-专题视频课程
Python爬虫视频课程:中国女性胸部大小分析-830人已学习 课程介绍 本课程使用Python3作为编程语言,通过Python爬虫技术从天猫和京东抓取了近20000条胸罩销售数据来分 ...
最新文章
- ​CSRankings年度更新,清华北大包揽AI领域前两名​ | AI日报
- IE11下载文件时出现文件名乱码
- python爬虫案例-python爬虫案例
- Android菜单详解——理解android中的Menu
- 使程序变为后台运行代码
- 栈空间不够会报错吗_网站更换域名和空间会对优化有影响吗?
- SpringBoot AOP拦截器
- JavaWeb从开发环境搭建,到第一个servlet程序(图文)
- 过Serverless技术降低微服务应用资源成本
- 如果查看oracle_home是否共享_现在还有小伙伴用XP系统吗?经常会共享打印问题...
- 公众号内打开提示404_200元500元/篇 | 她家小酒馆儿公众号征稿!(三天内审核、有额外稿费)...
- MySQL-第N篇一些经验
- 【译】给小白准备的Web架构基础知识
- 【MATLAB】基本绘图 ( 绘图基本步骤 | plot 函数 | 多曲线绘制 | hold on / off )
- 什么软件可以换电脑ip地址
- codeforces920 C. Swap Adjacent Elements【连通块 + 前缀和】
- Unity脚本:寻找血量最低的敌人
- Ucinet三天写论文!自同构对等分析实战
- Java____利用HSSF导出、导入excel文件
- MyBatis动态SQL
热门文章
- button组件 untiy_Unity自定义Button组件Transition
- VC++开发学习三(对话框之间的信息传递的方法总结)
- python调用库有哪些_十大Python机器学习常用库 python开发,你用过几个?
- 解决github网站打开慢的问题
- router中获取vuex_Vue 中 Axios 的封装和 API 接口的管理
- python正则表达式思考_PYTHON 爬虫笔记四:正则表达式基础用法
- tomcat 洞合集
- Java前端Rsa公钥加密,后端Rsa私钥解密(支持字符和中文)
- ionic-cordova 支付宝支付插件cordova-plugin-alipay-v2使用篇
- ASP.NET的几个试题(《C#与.NET程序员面试宝典》)