scrapy 示例代码及配置文件

转载 2013年12月02日 11:40:31

【请初学者作为参考,不建议高手看这个浪费时间】

 

上一篇文章,我们抓取到了一大批代理ip,本篇文章介绍如何实现downloaderMiddleware,达到随即使用代理ip对目标网站进行抓取的。

 

抓取的目标网站是现在炙手可热的旅游网站 www.qunar.com, 目标信息是qunar的所有seo页面,及页面的seo相关信息。

qunar并没有一般网站具有的 robots.txt文件,所以无法利用列表进行抓取,但是,可以发现,qunar的seo页面主要部署在

http://www.qunar.com/routes/  下,这个页面为入口文件,由此页面及此页面上所有带有routes的链接开始递归的抓取所有带有routes/字段的链接即可。

 

开始吧

目标信息为目标站点的seo信息,所以为head中的meta和description字段。

复制代码
 1 # Define here the models for your scraped items
 2 #
 3 # See documentation in:
 4 # http://doc.scrapy.org/topics/items.html
 5 
 6 from scrapy.item import Item, Field
 7 
 8 class SitemapItem(Item):
 9     # define the fields for your item here like:
10     # name = Field()
11     url = Field()
12     keywords = Field()
13     description = Field()
复制代码

因为要使用代理ip,所以需要实现自己的downloadermiddlerware,主要功能是从代理ip文件中随即选取一个ip端口作为代理服务,代码如下

复制代码
 1 import random
 2 
 3 class ProxyMiddleware(object):
 4     def process_request(self, request, spider):
 5         fd = open('/home/xxx/services_runenv/crawlers/sitemap/sitemap/data/proxy_list.txt','r')
 6         data = fd.readlines()
 7         fd.close()
 8         length = len(data)
 9         index  = random.randint(0, length -1)
10         item   = data[index]
11         arr    = item.split(',')
12         request.meta['proxy'] = 'http://%s:%s' % (arr[0],arr[1])
复制代码

 

最重要的还是爬虫,主要功能是提取页面所有的链接,把满足条件的url实例成Request对象并yield, 同时提取页面的keywords,description信息,以item的形式yield,代码如下:

复制代码
 1 from scrapy.selector import HtmlXPathSelector
 2 from sitemap.items import SitemapItem
 3 
 4 import urllib
 5 import simplejson
 6 import exceptions
 7 import pickle
 8 
 9 class SitemapSpider(CrawlSpider):
10     name = 'sitemap_spider'
11     allowed_domains = ['qunar.com']
12     start_urls = ['http://www.qunar.com/routes/']
13 
14     rules = (
15         #Rule(SgmlLinkExtractor(allow=(r'http://www.qunar.com/routes/.*')), callback='parse'),
16         #Rule(SgmlLinkExtractor(allow=('http:.*/routes/.*')), callback='parse'),
17     )
18 
19     def parse(self, response):
20         item = SitemapItem()
21         x         = HtmlXPathSelector(response)
22         raw_urls  = x.select("//a/@href").extract()
23         urls      = []
24         for url in raw_urls:
25             if 'routes' in url:
26                 if 'http' not in url:
27                     url = 'http://www.qunar.com' + url
28                 urls.append(url)
29 
30         for url in urls:
31             yield Request(url)
32 
33         item['url']         = response.url.encode('UTF-8')
34         arr_keywords        = x.select("//meta[@name='keywords']/@content").extract()
35         item['keywords']    = arr_keywords[0].encode('UTF-8')
36         arr_description     = x.select("//meta[@name='description']/@content").extract()
37         item['description'] = arr_description[0].encode('UTF-8')
38 
39         yield item
复制代码

 

pipe文件比较简单,只是把抓取到的数据存储起来,代码如下

复制代码
 1 # Define your item pipelines here
 2 #
 3 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 4 # See: http://doc.scrapy.org/topics/item-pipeline.html
 5 
 6 class SitemapPipeline(object):
 7     def process_item(self, item, spider):
 8         data_path = '/home/xxx/services_runenv/crawlers/sitemap/sitemap/data/output/sitemap_data.txt'
 9         fd = open(data_path, 'a')
10         line = str(item['url']) + '#$#' + str(item['keywords']) + '#$#' + str(item['description']) + '\n'
11         fd.write(line)
12         fd.close
13         return item
复制代码

最后附上的是setting.py文件

复制代码
# Scrapy settings for sitemap project
#
# For simplicity, this file contains only the most important settings by
# default. All the other settings are documented here:
#
#     http://doc.scrapy.org/topics/settings.html
#

BOT_NAME = 'sitemap hello,world~!'
BOT_VERSION = '1.0'

SPIDER_MODULES = ['sitemap.spiders']
NEWSPIDER_MODULE = 'sitemap.spiders'
USER_AGENT = '%s/%s' % (BOT_NAME, BOT_VERSION)

DOWNLOAD_DELAY = 0

ITEM_PIPELINES = [
    'sitemap.pipelines.SitemapPipeline'
]

DOWNLOADER_MIDDLEWARES = {
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 110,
    'sitemap.middlewares.ProxyMiddleware': 100,
    }

CONCURRENT_ITEMS = 128
CONCURRENT_REQUEST = 64
CONCURRENT_REQUEST_PER_DOMAIN = 64


LOG_ENABLED = True
LOG_ENCODING = 'utf-8'
LOG_FILE = '/home/xxx/services_runenv/crawlers/sitemap/sitemap/log/sitemap.log'
LOG_LEVEL = 'DEBUG'
LOG_STDOUT = False
复制代码

 

对scrapy的介绍将告一段落,更复杂的应用还没有接触过,想等看完redis的源码,再来研究下scrapy的源码~~ 希望通过分享能给正在入门scrapy的童鞋带来帮助~

 

 

 

喜欢一起简单,实用的东西,拒绝复杂花哨,我不是GEEK.

相关文章推荐

php中使用DOM类读取XML文件的示例代码

本文以示例的方式为大家讲解的是php中使用DOM类读取XML文件的示例代码,感兴趣的同学参考下。 主要功能:php中使用DOM类读取XML文件 设计知识点: 1、XML节点循环读取 2...

scrapy+mongodb示例代码

  • 2017年09月23日 23:58
  • 8KB
  • 下载

struts2配置文件以及代码示例

  • 2017年10月25日 16:41
  • 691KB
  • 下载

STM32读写TXT文件(可追加数据)的示例代码

/* 说明: *    下面的函数是测试在已有的"大海.txt"文件下继续添加数据 *    测试条件在TF卡中建立"大海.txt"文件,并在文件中添加内容,测试过程中可以分别添加512数据进行...
  • boyfig
  • boyfig
  • 2017年06月21日 10:28
  • 1042

jQuery中读取json文件示例代码

1.首先建一个JSON格式的文件userinfo.json 保存用户信息。如下: [ { "name":"张国立", "sex":"男", "...

spring框架整合使用定时任务框架java quartz的示例代码配置

spring框架整合使用定时任务框架java quartz的示例代码配置,代码下载地址:http://www.zuidaima.com/share/1775583461723136.htm...

PHPExcel读取excel文件的示例代码

分享一个phpexcel类库读取excel文件的例子,学习下phpexcel的用法。 转自:http://www.jbxue.com/article/phpexcel_Xc4Hp2u7Hv1.htm...

关于使用PHP向客户端发送文件-示例代码解释

内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:scrapy 示例代码及配置文件
举报原因:
原因补充:

(最多只允许输入30个字)