建议参照目录大纲,即笔记第一篇来了解大致路线后进行博客查阅。每大章的分支都十分清楚。
2.2静态无验证网站的爬取
静态网站的爬取十分简单,之前已经说明了start_urls中的url会通过下载器下载,返回response到parse函数中,所以我们只需要在parse函数中对response进行操作就可以得到我们想要的内容了
方法一:XPath
方法二:css选择器
使用scrapy shell 网站地址 进行XPath以及css选择器的结果验证
从图中可以看到我们可以用的对象有很多,这里只用response
选择器选择得到title,同时转变为数组,并输出第一个选择到的结果
x
使用自己的爬虫类进行数据的获取
方法很简单,在parse函数中直接对response使用选择器,得到数据。
def parse(self,response): title = response.xpath("//div[@class='entry-head']").extract()
以下是常见网站类型的爬取:
这种上面有几个url,然后下一页这样显示的网站
在parse函数中编码的思路是:
1.开始url为第一页的url,将几篇文书(文章或者其他数据)的链接通过选择器进行选择,得到url,提交给request进行下载,编写回馈函数进行数据处理。
2.将下一页的url得到,提交给parse函数,直到没有下一页的url。
from scrapy.http import Request from urllib import parse #因为需要用到scrapy的Request以及urllib进行得到域名进行拼接网址 def parse(self,response): Article_urls = response.css(".article") for Article_url in Article_urls: yield Request(url=parse.urljoin(response.url,Article_url)) ,callback= self.parse_detail) Next_url = response.css(".next") if Next_url: yield Request(url=parse.urljoin(response.url,Next_url,callback=self.parse)) #具体处理的函数 def parse_detail(self,response): #具体处理得到数据的代码,就是之前的选择器得到内容
笔记一到十链接
http://blog.csdn.net/sx_csu2016sw/article/details/79284369
http://blog.csdn.net/sx_csu2016sw/article/details/79284427
http://blog.csdn.net/sx_csu2016sw/article/details/79284449
http://blog.csdn.net/sx_csu2016sw/article/details/79284469
http://blog.csdn.net/sx_csu2016sw/article/details/79284481
http://blog.csdn.net/sx_csu2016sw/article/details/79284491
http://blog.csdn.net/sx_csu2016sw/article/details/79284509
http://blog.csdn.net/sx_csu2016sw/article/details/79284525
http://blog.csdn.net/sx_csu2016sw/article/details/79284547
http://blog.csdn.net/sx_csu2016sw/article/details/79284567