当前位置: 首页 > news >正文

课程资源网站开发ip代理提取网站源码

课程资源网站开发,ip代理提取网站源码,专业的企业管理软件,微信网页制作工具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。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon As…

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。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件:

    • 引擎(Scrapy)
      用来处理整个系统的数据流, 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. 可以想像成一个URL(抓取网页的网址或者说是链接)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下载器是建立在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自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,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、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经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,主要工作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。

Scrapy运行流程大概如下:

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
  2. 引擎把URL封装成一个请求(Request)传给下载器
  3. 下载器把资源下载下来,并封装成应答包(Response)
  4. 爬虫解析Response
  5. 解析出实体(Item),则交给实体管道进行进一步的处理
  6. 解析出的是链接(URL),则把URL交给调度器等待抓取

 

一、安装

    1、安装wheelpip install wheel2、安装lxmlhttps://pypi.python.org/pypi/lxml/4.1.03、安装pyopensslhttps://pypi.python.org/pypi/pyOpenSSL/17.5.04、安装Twistedhttps://www.lfd.uci.edu/~gohlke/pythonlibs/5、安装pywin32https://sourceforge.net/projects/pywin32/files/6、安装scrapypip install scrapy

注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/

二、爬虫举例

入门篇:美剧天堂前100最新(http://www.meijutt.com/new100.html)

1、创建工程

scrapy startproject movie

2、创建爬虫程序

cd movie
scrapy genspider meiju meijutt.com

3、自动创建目录及文件

 

4、文件说明:

  • scrapy.cfg  项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
  • items.py    设置数据存储模板,用于结构化数据,如:Django的Model
  • pipelines    数据处理行为,如:一般结构化的数据持久化
  • settings.py 配置文件,如:递归的层数、并发数,延迟下载等
  • spiders      爬虫目录,如:创建文件,编写爬虫规则

注意:一般创建爬虫文件时,以网站域名命名

5、设置数据存储模板

  items.py

import scrapyclass MovieItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()name = scrapy.Field()

6、编写爬虫

  meiju.py

# -*- coding: utf-8 -*-import scrapy
from movie.items import MovieItemclass MeijuSpider(scrapy.Spider):name = "meiju"allowed_domains = ["meijutt.com"]start_urls = ['http://www.meijutt.com/new100.html']def parse(self, response):movies = response.xpath('//ul[@class="top-list  fn-clear"]/li')for each_movie in movies:item = MovieItem()item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]yield item

7、设置配置文件

 settings.py增加如下内容

ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}

8、编写数据处理脚本

  pipelines.py

class MoviePipeline(object):def process_item(self, item, spider):with open("my_meiju.txt",'a') as fp:fp.write(item['name'].encode("utf8") + '\n')

9、执行爬虫

cd movie
scrapy crawl meiju --nolog

10、结果

 

进阶篇:爬取校花网(http://www.xiaohuar.com/list-1-1.html)

1、创建一个工程

scrapy startproject xhspider

2、创建爬虫程序

cd pic
scrapy genspider xh xiaohuar.com

3、自动创建目录及文件

 

4、文件说明:

  • scrapy.cfg  项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
  • items.py    设置数据存储模板,用于结构化数据,如:Django的Model
  • pipelines    数据处理行为,如:一般结构化的数据持久化
  • settings.py 配置文件,如:递归的层数、并发数,延迟下载等
  • spiders      爬虫目录,如:创建文件,编写爬虫规则

注意:一般创建爬虫文件时,以网站域名命名

5、设置数据存储模板

# -*- coding: utf-8 -*-# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.htmlimport scrapyclass XhspiderItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()addr = scrapy.Field()name = scrapy.Field()pass

 6、编写爬虫

# -*- coding: utf-8 -*-
import scrapy
import os# 导入item中结构化数据模板
from xhspider.items import XhspiderItemclass XhSpider(scrapy.Spider):# 爬虫名称,唯一name = "xh"# 允许访问的域allowed_domains = ["xiaohuar.com"]# 初始URLstart_urls = ['http://www.xiaohuar.com/list-1-1.html']def parse(self, response):# 获取所有图片的a标签allPics = response.xpath('//div[@class="img"]/a')for pic in allPics:# 分别处理每个图片,取出名称及地址item = XhspiderItem()name = pic.xpath('./img/@alt').extract()[0]addr = pic.xpath('./img/@src').extract()[0]if addr.startswith('/d/file/'):addr = 'http://www.xiaohuar.com' + addritem['name'] = nameitem['addr'] = addr# 返回爬取到的数据yield item

7、设置配置文件

# 设置处理返回数据的类及执行优先级
ITEM_PIPELINES = {'xhspider.pipelines.XhspiderPipeline': 300,
}

8、编写数据处理脚本

# -*- 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.htmlimport urllib
import urllib.request
import os
import socket
import sslclass XhspiderPipeline(object):def process_item(self, item, spider):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}print(item['addr'])ctx = ssl._create_unverified_context()req = urllib.request.Request(url=item['addr'], headers=headers)res = urllib.request.urlopen(req,context=ctx)file_name = os.path.join('./allpic', item['name'] + '.jpg')with open(file_name, 'wb') as f:f.write(res.read())return item

 9、执行爬虫

cd pic
scrapy crawl xh --nolog

结果:

终极篇:我想要所有校花图

注明:基于进阶篇再修改为终极篇

#  xh.py

# -*- coding: utf-8 -*-
import scrapy
from xhspider.items import XhspiderItemclass AllxhSpider(scrapy.Spider):# 爬虫名称,唯一name = "allxh"# 允许访问的域allowed_domains = ["xiaohuar.com"]# 初始URLstart_urls = ['http://www.xiaohuar.com/hua/']# 设置一个空集合url_set = set()def parse(self, response):# 如果图片地址以http://www.xiaohuar.com/list-开头,我才取其名字及地址信息if response.url.startswith("http://www.xiaohuar.com/list-"):allPics = response.xpath('//div[@class="img"]/a')for pic in allPics:# 分别处理每个图片,取出名称及地址item = XhspiderItem()name = pic.xpath('./img/@alt').extract()[0]addr = pic.xpath('./img/@src').extract()[0]if addr.startswith('/d/file/'):addr = 'http://www.xiaohuar.com' + addritem['name'] = nameitem['addr'] = addr# 返回爬取到的信息yield item# 获取所有的地址链接urls = response.xpath("//a/@href").extract()for url in urls:# 如果地址以http://www.xiaohuar.com/list-开头且不在集合中,则获取其信息if url.startswith("http://www.xiaohuar.com/list-"):if url in AllxhSpider.url_set:passelse:AllxhSpider.url_set.add(url)# 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数# from scrapy.http import Request# Request(url,callback=self.parse)yield self.make_requests_from_url(url)else:pass
http://www.yayakq.cn/news/758974/

相关文章:

  • 企业信用信息查询公示系统上海百度竞价推广关键词优化
  • 怎么做网站上做电子书响应式网站的组成
  • 杭州 网站程序网页游戏平台返利
  • 官方网站建设情况建设网站的子文件夹
  • 互联网舆情信息广州推广优化
  • 宁晋企业做网站百度小说网
  • 做网站的感觉网站建设官网多少钱
  • 封丘有做网站的吗做的不错的h5高端网站
  • windows 安装wordpressseo费用价格
  • 电子商务网站设计物流方案wordpress是php文件
  • 免费的网站入口在哪做网站包域名包服务器多少钱
  • 丹阳建设局官方网站外企外贸是做什么的
  • 天津建设网站免费网站制作一个人可以做吗
  • 怎么注册建设银行网站农业信息网站建设概念
  • 门户网站建设评估wordpress破解加密文章
  • 仿qq网站程序导航网站 cms
  • 徐州网站建设优化宣传网站访客qq提取
  • 网站什么认证对做电商好女性logo大全图片
  • 郑州做网站公司msgg周口网站建设电话
  • 重庆网站推广公司哪家好公司视频广告拍摄
  • 百度站长网站开发设计的完成情况
  • 会展中心网站平台建设方案2021年uc秒懂网址
  • 服务网站开发毕业设计用PHP做旅游网站
  • 局域网网站域名怎么做全球室内设计公司排名
  • 建设网站出现400错误将wordpress网站变成app
  • 注册网站商城需要什么条件赚钱软件的套路
  • 网站仿制 个人专业做蛋糕的网站
  • 郑州外贸营销网站建设温州网页设计招聘信息网
  • 太谷县建设局网站网站建设托管公司
  • 网站的月度流量统计报告怎么做遵义app开发公司排名