初窥Scrapy

moviepan.py
# -*- coding: utf-8 -*-
import scrapy
from doubanmovie.items import DoubanmovieItem


class MoviepanSpider(scrapy.Spider):
    name = 'moviepan'
    allowed_domains = ['douban.com']
    # 设置地址
    start_urls = ['https://movie.douban.com/top250']

    def parse(self, response):
        # 设置地址表达式
        movie_list = response.xpath('//div[@class="item"]')
        # 二次提取
        for tr in movie_list:
            item = DoubanmovieItem()
            item['rank'] = tr.xpath('div[@class="pic"]/em/text()').extract()
            # 电影名称解析并赋值
            item['title'] = tr.xpath('div[@class="info"]/div[@class="hd"]/a/span[@class="title"][1]/text()').extract()
            item['href'] = tr.xpath('div[@class="info"]/div/a/@href').extract()
            cl = item['href'][0]
            yield scrapy.Request(cl, callback=self.parse_detail, meta={'item': item})
        next_url = response.xpath('//a[text()="后页>"]/@href').extract_first()
        if next_url is not None:
            yield scrapy.Request('https://movie.douban.com/top250' + next_url, callback=self.parse)

    def parse_detail(self, response):
        item = response.meta['item']
        item['pic_url'] = response.xpath('//*[@id="mainpic"]/a/img/@src').extract()
        item['play_url'] = response.xpath('//*[@id="content"]/div[3]/div[2]/div[1]/ul/li[1]/a/@href').extract()
        yield item
pipelinesmyjson.py
# -*- 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.html
import json


class DoubanmoviePipeline(object):
    def __init__(self):
        self.jsond = open(r'E:\doubanmovie\doubanmovie\data.json', 'w', encoding='utf-8')
        self.listd = []

    def process_item(self, item):
        self.listd.append({'title': item['title'][0],
                           'rank':  item['rank'][0]
                           })
        return item

    def close_spider(self, spider):
        json.dump(self.listd, self.jsond, ensure_ascii='')

Scrapy详解之Spiders

https://zhuanlan.zhihu.com/p/39125300

Scrapy库安装

先离线安装 Twisted-18.4.0-cp36-cp36m-win_amd64.whl

先切换地址

pip install Twisted-18.4.0-cp36-cp36m-win_amd64.whl

然后安装1.5.0版本Scrapy

pip install Scrapy==1.5.0

scrapy

dos下执行

d:
cd 定位到指定盘上

scrapy startproject 工程名

创建爬虫
scrapy startproject baidunews

scrapy genspider baidu baidu.com

pycharm 下打开项目

open 打开项目

创建主程序

设置 浏览器标识
DOWNLOADER_MIDDLEWARES = {
'doubanmovie.middlewares.DoubanmovieDownloaderMiddleware': 543,
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None,
#设置浏览器标识
'doubanmovie.rotate_useragent.RotateUserAgentMiddleware':400,

}

开启输出

ITEM_PIPELINES = {
'doubanmovie.pipelines.DoubanmoviePipeline': 300,}

scrapy crawl moviepan -o items.json -t json
创建json-wj

FEED_EXPORT_ENCODING='UTF-8'

scrapy crawl moviepan -o items.csv -t csv

作者:Zarten
链接:https://zhuanlan.zhihu.com/p/54691192
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
 

设置列表

1.ROBOTSTXT_OBEY

是否遵循robots协议,一般不要遵循设为False即可

ROBOTSTXT_OBEY = False

2.日志设置

DEBUG 默认

INFO

WARNING

ERROR

CRITICAL

LOG_FILE = 'log.log'
LOG_LEVEL = 'ERROR'

3.DOWNLOAD_DELAY

下载延迟

实际是一个范围随机值: 0.5倍-1.5倍 单位秒

DOWNLOAD_DELAY = 3

若不设置随机值,设置如下:

RANDOMIZE_DOWNLOAD_DELAY = False

4.DOWNLOAD_TIMEOUT

下载超时时间设

默认180s

DOWNLOAD_TIMEOUT = 10

5.RETRY_ENABLED

是否禁止重试请求,默认运行重试

RETRY_ENABLED = False #禁止重试

6.RETRY_TIMES

超时重试

默认另外重试2次

RETRY_TIMES = 8

7.COOKIES_ENABLED

是否禁用cookies

禁用后速度会快些,但可能会反爬,视情况而定

COOKIES_ENABLED = False #禁用cookies

8.CONCURRENT_REQUESTS

下载器最大并发数

默认16个

CONCURRENT_REQUESTS = 100

每个域名最大并发数

默认8个

CONCURRENT_REQUESTS_PER_DOMAIN = 100

每个ip的最大并发数

默认0,代表没有限制

CONCURRENT_REQUESTS_PER_IP = 100

注意:

1.若设置了此值,CONCURRENT_REQUESTS_PER_DOMAIN(域名最大并发数)就没有用了,即并发数是根据每个ip来计算而不是根据域名

2.DOWNLOAD_DELAY若不为0,则下载延迟是限制每个ip而不是每个域名

9.redis分布式爬虫设置

设置调度器和过滤器

SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

10.crawlera代理设置

scrapy高级开发者提供的代理

官网: Scrapinghub: Crawlera

DOWNLOADER_MIDDLEWARES = {
    'scrapy_crawlera.CrawleraMiddleware': 543
}
CRAWLERA_ENABLED = True
CRAWLERA_APIKEY = 'your key'

11.DEFAULT_REQUEST_HEADERS

默认请求头

DEFAULT_REQUEST_HEADERS = {
     'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
     'Accept-Language': 'en',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) \
                    Chrome/64.0.3282.140 Safari/537.36 Edge/17.17134'
 }

12.禁止重定向

REDIRECT_ENABLED = False


第一步是定义我们需要爬取的数据。在Scrapy中, 这是通过 Scrapy Items 来完成的。(在本例子中为种子文件)

我们定义的Item:

import scrapy

class TorrentItem(scrapy.Item):
url = scrapy.Field()
name = scrapy.Field()
description = scrapy.Field()
size = scrapy.Field()


输出
scrapy crawl 名字

使用手册

https://scrapy-chs.readthedocs.io/zh_CN/latest/intro/overview.html#

https://www.cnblogs.com/jinxiao-pu/category/984395.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

huanghong6956

你的鼓励是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值