Python scrapy爬取小说代码案例详解


Posted in Python onJuly 09, 2020

scrapy是目前python使用的最广泛的爬虫框架

架构图如下

Python scrapy爬取小说代码案例详解

解释:

  • Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
  • Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
  • Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
  • Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器),
  • Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
  • DownloaderMiddlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests

一。安装

pip install Twisted.whl

pip install Scrapy

Twisted的版本要与安装的python对应,https://jingyan.baidu.com/article/1709ad8027be404634c4f0e8.html

二。代码

本实例采用xpaths解析页面数据

按住shift-右键-在此处打开命令窗口

输入scrapy startproject qiushibaike 创建项目

输入scrapy genspiderqiushibaike 创建爬虫

1>结构

Python scrapy爬取小说代码案例详解

2>qiushibaike.py爬虫文件

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders.crawl import Rule, CrawlSpider

class BaiduSpider(CrawlSpider):
  name = 'qiushibaike'
  allowed_domains = ['qiushibaike.com']
  start_urls = ['https://www.qiushibaike.com/text/']#启始页面
#        
  rules= (
    Rule(LinkExtractor(restrict_xpaths=r'//a[@class="contentHerf"]'),callback='parse_item',follow=True),
    Rule(LinkExtractor(restrict_xpaths=r'//ul[@class="pagination"]/li/a'),follow=True)
  )

  def parse_item(self, response):
    title=response.xpath('//h1[@class="article-title"]/text()').extract_first().strip() #标题
    time=response.xpath(' //span[@class="stats-time"]/text()').extract_first().strip() #发布时间
    content=response.xpath('//div[@class="content"]/text()').extract_first().replace('','\n') #内容
    score=response.xpath('//i[@class="number"]/text()').extract_first().strip() #好笑数

    yield({"title":title,"content":content,"time":time,"score":score});

3>pipelines.py 数据管道[code]class QiushibaikePipeline:

class QiushibaikePipeline:
  def open_spider(self,spider):#启动爬虫中调用
    self.f=open("xiaoshuo.txt","w",encoding='utf-8')
  def process_item(self, item, spider):
    info=item.get("title")+"\n"+ item.get("time")+" 好笑数"+item.get("score")+"\n"+ item.get("content")+'\n'
    self.f.write(info+"\n")
    self.f.flush()
  def close_spider(self,spider):#关闭爬虫中调用
    self.f.close()

4>settings.py

开启ZhonghengPipeline

ITEM_PIPELINES = {
  'qiushibaike.pipelines.QiushibaikePipeline': 300,
}

5>0main.py运行

from scrapy.cmdline import execute
execute('scrapy crawl qiushibaike'.split())

6>结果:

生成xiaohua.txt,里面有下载的笑话文字

Python scrapy爬取小说代码案例详解

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python数据结构与算法之使用队列解决小猫钓鱼问题
Dec 14 Python
Python通过调用有道翻译api实现翻译功能示例
Jul 19 Python
使用python验证代理ip是否可用的实现方法
Jul 25 Python
彻彻底底地理解Python中的编码问题
Oct 15 Python
解决Python3.5+OpenCV3.2读取图像的问题
Dec 05 Python
flask session组件的使用示例
Dec 25 Python
详解pandas库pd.read_excel操作读取excel文件参数整理与实例
Feb 17 Python
python读取csv文件指定行的2种方法详解
Feb 13 Python
python 控制台单行刷新,多行刷新实例
Feb 19 Python
使用py-spy解决scrapy卡死的问题方法
Sep 29 Python
Django REST Framework 分页(Pagination)详解
Nov 30 Python
python录音并调用百度语音识别接口的示例
Dec 01 Python
使用Python实现微信拍一拍功能的思路代码
Jul 09 #Python
pytorch 多分类问题,计算百分比操作
Jul 09 #Python
详解Python 循环嵌套
Jul 09 #Python
keras分类之二分类实例(Cat and dog)
Jul 09 #Python
python中tkinter窗口位置\坐标\大小等实现示例
Jul 09 #Python
Python2.x与3​​.x版本有哪些区别
Jul 09 #Python
浅谈keras中Dropout在预测过程中是否仍要起作用
Jul 09 #Python
You might like
用Socket发送电子邮件
2006/10/09 PHP
对淘宝URL中ID提取的PHP代码
2013/09/01 PHP
ThinkPHP提交表单时默认自动转义的解决方法
2014/11/25 PHP
PC端微信扫码支付成功之后自动跳转php版代码
2017/07/07 PHP
Laravel学习教程之View模块详解
2017/09/18 PHP
解决Laravel自定义类引入和命名空间的问题
2019/10/15 PHP
PHP实现二维数组(或多维数组)转换成一维数组的常见方法总结
2019/12/04 PHP
express的中间件cookieParser详解
2014/12/04 Javascript
JavaScript编程中实现对象封装特性的实例讲解
2016/06/24 Javascript
Angular 路由route实例代码
2016/07/12 Javascript
JS之if语句对接事件动作逻辑(详解)
2017/06/28 Javascript
vue2.0 datepicker使用方法
2018/02/04 Javascript
Nodejs 发布自己的npm包并制作成命令行工具的实例讲解
2018/05/15 NodeJs
基于Vue实现微信小程序的图文编辑器
2018/07/25 Javascript
JS实现纵向轮播图(初级版)
2020/01/18 Javascript
解决vue-router路由拦截造成死循环问题
2020/08/05 Javascript
[02:57]DOTA2英雄基础教程 风行者
2014/01/16 DOTA
[01:14]TI珍贵瞬间系列(六):冠军
2020/08/30 DOTA
python pickle 和 shelve模块的用法
2013/09/16 Python
Scrapy-redis爬虫分布式爬取的分析和实现
2017/02/07 Python
python3.6利用pyinstall打包py为exe的操作实例
2018/10/31 Python
python将pandas datarame保存为txt文件的实例
2019/02/12 Python
numpy ndarray 按条件筛选数组,关联筛选的例子
2019/11/26 Python
Python简单实现区域生长方式
2020/01/16 Python
在Sublime Editor中配置Python环境的详细教程
2020/05/03 Python
Python计算矩阵的和积的实例详解
2020/09/10 Python
python Xpath语法的使用
2020/11/26 Python
美国知名的家庭连锁百货商店:Boscov’s
2017/07/27 全球购物
前处理班长职位说明书
2014/03/01 职场文书
手术室护士个人总结
2015/02/13 职场文书
英文版辞职信
2015/02/28 职场文书
护士实习自荐信
2015/03/06 职场文书
实用干货:敬酒词大全,帮你应付各种场合
2019/11/21 职场文书
golang 实用库gotable的具体使用
2021/07/01 Golang
Redis集群的关闭与重启操作
2021/07/07 Redis
Mysql外键约束的创建与删除的使用
2022/03/03 MySQL