实验需要爬取一族pm2.5数据,纠结了几天爬虫,总算取得阶段性胜利,至少够项目用了
总结一下思想,就是首先设一个start url作为入口,爬到需要的url后将其链接传递到下一级parse,以此类推
原理再研究,会用先:
class DmozSpider(scrapy.spiders.Spider):
name = "dmoz0" //爬虫名称,在每次调用爬虫时需要
allowed_domains = ["www.tianqihoubao.com"] //注意这里非常重要,它定义整个搜索的范围,既往下的任何搜索都在这个域名的范围内,注:不是链接!
start_urls = [
"http://www.tianqihoubao.com/aqi/"
] //这一部分设定起始url
def parse(self, response): //scrapy框架默认传入parse
sel = Selector(response)
sites = sel.xpath('//dl')
url = "http://www.tianqihoubao.com"
items = []
for site in sites:
provence = site.xpath('dt/b/text()').extract()
print(provence)
cit