- 博客(8)
- 收藏
- 关注
原创 Python爬虫(入门+进阶)学习笔记 3-2 爬虫工程师进阶(八):去重与入库
数据去重又称重复数据删除,是指在一个数字文件集合中,找出重复的数据并将其删除,只保存唯一的数据单元。数据去重可以有效避免资源的浪费,所以数据去重至关重要。数据去重数据去重可以从两个节点入手:一个是URL去重。即直接筛选掉重复的URL;另一个是数据库去重。即利用数据库的一些特性筛选重复的数据。 def process_spider_output(self, response, result, spi...
2018-06-30 13:23:33 1731
原创 Python爬虫(入门+进阶)学习笔记 3-1 爬虫工程师进阶(七):HTTP请求分析
Chrome浏览器相对于其他的浏览器而言,DevTools(开发者工具)非常强大。这节课将为大家介绍怎么利用Chrome浏览器的开发者工具进行HTTP请求分析Chrome浏览器讲解Chrome 开发者工具是一套内置于Google Chrome中的Web开发和调试工具,可用来对网站进行迭代、调试和分析打开Chrome开发工具在Chrome菜单中选择更多工具 >开发者工具在页面元素上右键点击,选...
2018-06-30 13:09:38 1631
原创 Python爬虫(入门+进阶)学习笔记 2-6 Scrapy的Request和Response详解
上节课我们学习了中间件,知道了怎么通过中间件执行反反爬策略。本节课主要介绍Scrapy框架的request对象和response对象通常,Request对象在爬虫程序中生成并传递到系统,直到它们到达下载程序,后者执行请求并返回一个Response对象,该对象返回到发出请求的爬虫程序Request类和Response类都有一些子类,子类用来添加基类中不必要的功能。这些在下面的请求子类和响应子类中描述...
2018-06-30 12:56:07 2933
原创 Python爬虫(入门+进阶)学习笔记 2-5 Scrapy的中间件
上一节我们学习怎么去保存爬取的结果,然而大多数时候裸奔的请求很容易被网站反爬技术识别,导致并不能获取到我们想要的数据,我们该怎么做呢?中间件就可以帮你解决这些事下载中间件(Downloader middlewares)Scrapy框架中的中间件主要分两类:蜘蛛中间件和下载中间件。其中最重要的是下载中间件,反爬策略都是部署在下载中间件中的蜘蛛中间件是介入到Scrapy的spider处理机制的钩子框架...
2018-06-30 12:49:48 1440
原创 Python爬虫(入门+进阶)学习笔记 2-4 Scrapy的项目管道
上一节已学习了选择器的应用,可是爬取到了结果该怎么处理呢?本节课主要介绍Scrapy框架的另一部分——Item管道,用于处理爬取到的数据Item管道(Item Pipeline)的介绍管道是什么Item管道(Item Pipeline):主要负责处理有蜘蛛从网页中抽取的Item,主要任务是清洗、验证和存储数据。当页面被蜘蛛解析后,将被发送到Item管道,并经过几个特定的次序处理数据。每个Item管...
2018-06-30 12:08:36 741
原创 Python爬虫(入门+进阶)学习笔记 2-3 Scrapy选择器的用法
当我们抓取网页时,最常见任务就是从HTML源码中提取数据,可是怎么提取数据呢?当然就是用选择器了。本节课主要介绍CSS,Xpath,正则表达式,pyquery四种选择器。四大选择器Scrapy 提取数据有自己的一套机制。它们被称作选择器(seletors),通过特定的 Xpath 、 CSS 表达式或者正则表达式来选择 HTML 文件中的某个部分的数据。我们常用的选择器有四种:CSS选择器,Xpa...
2018-06-30 11:54:34 392
原创 Python爬虫(入门+进阶)学习笔记 2-2 Scrapy安装及基本使用
Mac系统安装流程:可以直接使用pip install scrapy进行安装 Scrapy爬虫的使用一个基本的爬虫只需要两部分组成:Spider(爬虫)、Pipeline(管道)。Spider是什么?Spider类定义了如何爬取某个(或某些)网站,包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。 换句话说,Spider就是定义爬取的动作及分析某个网页(或...
2018-06-30 11:42:28 411
原创 Python爬虫(入门+进阶)学习笔记 2-1 爬虫工程化及Scrapy框架初窥
本章节将会系统地介绍如何通过Scrapy框架把爬虫工程化。本节主要内容是:简单介绍Python和爬虫的关系,以及将要使用的Scrapy框架的工作流程。Python适合做爬虫的原因语言本身简单,适合敏捷开发有比较完善的工具链足够灵活,以应对各种突然状况爬虫的知识体系前端相关知识:html,css,js;浏览器相关知识;各种数据库的运用;http协议的了解;对于前后台联动的方案;爬虫进阶的工作流程Sc...
2018-06-30 11:06:24 1364
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人