路飞学城linux第三模块考试,路飞学城-爬虫集训营-第三章
学习心得:html
人生苦短,我用python,爬虫深海,我选scrapy。!!python
在学习scrapy的时候真的很累,不少时候看着都会困,由于基础不牢固,看着会感受有点累。。遇到问题一点点的查资料才能填补上,反复的看wusir的视频来学习。每次看都会学到新的东西就比如每次看python核心编程都能学到更多,补充本身不牢固,不知道的知识,总的来讲学习无捷径,只能经过本身认真的努力才能学到更多。别人帮你的始终都是有限的linux
爬虫框架 ---scrapyredis
什么是scrapy? 编程
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。 能够应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。windows
其最初是为了 页面抓取 (更确切来讲, 网络抓取 )所设计的, 也能够应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。api
scrapy的执行流程网络
Scrapy主要包括了如下组件:框架
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 能够想像成一个URL(抓取网页的网址或者说是连接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是创建在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取本身须要的信息, 即所谓的实体(Item)。用户也能够从中提取出连接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证明体的有效性、清除不须要的信息。当页面被爬虫解析后,将被发送到项目管道,并通过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工做是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
流程异步
从调度列表中取出一个URL,抓取而且分析
把url封装成请求传给下载器
下载器把资源下载下来,封装成response
爬虫解析response
解析数据(item)而后交给管道进行持久化处理
scrapy的项目结构:
items.py 负责数据模型的创建,相似于实体类。
middlewares.py 本身定义的中间件。
pipelines.py 负责对spider返回数据的处理。
settings.py 负责对整个爬虫的配置。
spiders目录 负责存放继承自scrapy的爬虫类。
scrapy.cfg scrapy基础配置
Scrapy简单使用
1.安装
linux:
pip/pip3 install scrapy
windows:
pip install pywin32
pip install wheel
pip install twisted.whl#windows不能直接安装须要下载whl文件
pip install scrapy
2.建立项目
scrapy project project_name #建立项目
cd project_name
scrapy genspider 爬虫名字 爬虫网站#建立spider
scrapy crawl 爬虫名字 #运行 --nolog 不带日志
3.解析网页
Scrapy提取数据有本身的一套机制。它们被称做选择器(seletors),由于他们经过特定的 XPath 或者 CSS 表达式来“选择” HTML文件中的某个部分。
XPath 是一门用来在XML文件中选择节点的语言,也能够用在HTML上。 CSS 是一门将HTML文档样式化的语言。选择器由它定义,并与特定的HTML元素的样式相关连。
Scrapy选择器构建于 lxml 库之上,这意味着它们在速度和解析准确性上很是类似。
response.xpath('//div[@id="content-list"]/div[@class="item"]')
具体选择器使用 :http://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/selectors.html#topics-selectors-ref
4.pipelines
from scrapy.exceptions importDropItemclassPipeline(object):def __init__(self,path):
self.f=None
self.path=path
@classmethoddeffrom_crawler(cls, crawler):
print('File.from_crawler')
path= crawler.settings.get('HREF_FILE_PATH')returncls(path)defopen_spider(self,spider):print('File.open_spider')
self.f= open(self.path,'a+')defprocess_item(self, item, spider):
print('File',item['href'])
self.f.write(item['href']+'\n')
raise DropItem()#后续的 pipeline的process_item方法再也不执行
defclose_spider(self,spider):
print('File.close_spider')
self.f.close()
调用pipelines须要在settings文件里找到ITEM_PIPELINES取消注释~
5.去重规则
1.将访问过的url标识保存到内存(redis)中
2.若是访问过则返回True,不然访问并把标识加入列表中
3.编写类
from scrapy.dupefilter importBaseDupeFilterfrom scrapy.utils.request importrequest_fingerprintclassDupeFilter(BaseDupeFilter):def __init__(self):
self.visited_fd=set()
@classmethoddeffrom_settings(cls, settings):returncls()defrequest_seen(self, request):
fd= request_fingerprint(request=request)if fd inself.visited_fd:returnTrue
self.visited_fd.add(fd)def open(self): #can return deferred
print('开始')def close(self, reason): #can return a deferred
print('结束')
4.在配置文件替换默认去重记录
#修改默认的去重规则#DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter'
DUPEFILTER_CLASS = 'xdb.dupefilters.XdbDupeFilter'
路飞学城linux第三模块考试,路飞学城-爬虫集训营-第三章相关推荐
- 路飞学城-爬虫集训营-第二章
学习心得 1.本章学习的是以实战为主,新知识点在Flask上,其他的知识点都在第一章上 Flask中文文档:http://www.pythondoc.com/flask-mega-tutorial/ ...
- 【Linux】一步一步学Linux——VMware虚拟机三种网络模式详解(07)
00. 目录 文章目录 00. 目录 01. 虚拟网络连接组件 02. 常见网络连接配置 03. 桥接模式 04. NAT 模式 05. 仅主机模式 06. 自定义模式 07. 附录 参考博客: ht ...
- 第三模块:面向对象网络编程基础 第1章 面向对象
我的失败与梦想(一) 我的失败与梦想之为何创办路飞学城 01-编程范式 02-面向过程编程 03-面向对象编程介绍 04-定义类与实例化出对象 05-如何使用类 06-如何使用对象 07-属性查找与绑 ...
- 简单实例讲解linux的module模块编译步骤
简单实例讲解linux的module模块编译步骤 (2014-10-24 10:19:17) 标签: module linux 分类:Linux/Unix 本文将直接了当的带你进入linux的模块编译 ...
- Android 驱动(8)---简单实例讲解linux的module模块编译步骤
简单实例讲解linux的module模块编译步骤 原博文地址http://blog.sina.com.cn/s/blog_4ba5b45e0102v25h.html ----------------- ...
- 计算机应用基础模块四,第四部分计算机应用基础(基础模块)考试说明
第四部分计算机应用基础(基础模块)考试说明 (7页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦! 9.9 积分 第四部分 计算机应用基础(基础模块)考试说明 ...
- python全栈开发中级班全程笔记(第三模块、第一章(1.面向对象基础))
python全栈开发笔记第三模块 第一部分 第一章 :面向对象(类) 一.面向过程编程1.面向过程编程:主要是过程二字,所谓过程,就是指解决问题的步骤,也可以说是设计一套流水线(机 ...
- 学着学着Linux系统写篇心得
2019独角兽企业重金招聘Python工程师标准>>> 学着学着Linux系统写篇心得 本学期对于linux系统的学习,和自己买的一本<linux就该这么学>这本书,让我 ...
- 【Linux】一步一步学Linux——Linux版本(03)
目录 00. 目录 01. Linux内核版本 02. Linux内核官方网站 03. Linux发行版本 04. Linux发行版本介绍 4.1 Ubuntu 4.2 RedHat 4.3 Debi ...
最新文章
- 欧洲估值最高的5家人工智能创业公司
- go开源项目influxdb-relay源码分析(一)
- BZOJ 4002--有意义的字符串(矩阵乘法)
- NetCore2.0Web应用之Startup
- LeetCode 734. 句子相似性(哈希)
- VC自定义消息postmessage用法(消息响应函数)
- 瑞士Migros Ostschweiz使用RFID和EPCIS优化供应链的可视化
- struts2、ajax实现前后端交互
- Disable IE7 address bar:不显示IE地址栏
- 【体系结构】Oracle表空间的简单理解
- 一种圆面积公式的推导方法
- 计算机固态硬盘256g,1t(后悔买256g的固态硬盘了)
- 密码学与网络安全—知识点总结
- python concat_python数据拼接: pd.concat
- Greenplum数据库配置管理-参数配置管理和常用参数优化建议
- 开源软件负载均衡方案比较
- 为什么跨浏览器测试很重要?7款跨浏览器测试工具请查收
- deepin20系统选择手动安装盘_拯救老Macbook Air笔记本经验分享,用优盘安装最新苹果系统...
- 破解wifi的渗透工具
- 工信部对多家涉及网络数据和用户个人信息安全突出情况的企业开展问询调查...
热门文章
- 46寸拼接屏对应的html尺寸,〖液晶拼接屏尺寸大全〗三星 LG BOE:40 42 46 47 49 55寸拼接屏尺寸...
- layer弹出层传递参数(父传子)
- layer 弹出层全屏
- Linux命令查找文件夹下包含某个字符串的所有文件
- linux 查找 文件夹内 函数
- Python分析csv文件及可视化绘图
- c语言 1^3+3^3+5^3+……(2k+1)^3,如何得到一个矩阵的置换矩阵
- 国经信中心 | APEC生活+:“实在田美”与BioV.tech的融合、农牧文旅的探索 | APEC-HUB公益平台
- dataframe的loc与iloc
- Linux oracle 如何安装,Linux 安装Oracle详细步骤