Python数据爬取【大略总结】

数据采集

数据来源

  • 从网上爬取数据
  • 从本地系统收集数据
    • 文件、数据库等
  • 网络数据采集模型
    在这里插入图片描述

常用数据爬取工具

第三方库实现爬取

Requests、Ixml
灵活,简单

PySpider爬虫框架

  • 提供WebUI界面编程及管理爬虫
  • 上手快,学习简单
  • 对windows操作系统支持很差

Scrapy爬虫框架

  • 功能强大
  • 可定制性强(可以只用框架的一部分)
  • 多线程,爬取效率高
  • 可以塔键集群(分布式)

安装配置Scrapy框架

安装Scrapy

conda install scrapy

配置Scrapy环境变量

  • 将Anaconda的Scripts文件夹加入到Path环境变量中

创建scrap项目的命令

scrapy startproject 新工程名

创建Spider

scrapy genspider 爬虫名 start url

修改parse()方法,在控制台输出文本

启动Spider

scrapy crawl 爬虫名

Debug爬虫工程(重点)

使用Python脚本执行命令行启动爬虫

  • 在项目根目录添加脚本文件
  • 调用Scrapy框架的命令执行方法启动爬虫
    • cmdline模块
    • execute()方法

Scrapy框架组成

spiders文件夹

  • 定义爬虫文件

items.py

  • 定义框架内数据传输格式

pipelines.py

  • 数据保存模块

middlewares.py

  • 中间件模块

settings.py

  • 框架配置模块
    在这里插入图片描述

Scrapy返回爬取页面数据

通过解析方法返回爬取页面数据

  • parse()方法的response参数
  • response对象常用属性和方法
属性或方法作用
url当前返回数据所对应的页面url
statushttp请求状态码
meta用于request与response之间的数据传递
body返回页面html源码、如果纯正则表达式匹配数据,需要获得页面html源码
xpath()使用xpath选择器解析网页
css()使用css选择器解析网页

在Scrapy爬虫框架中提取网页数据的方法

xpath选择器

  • 用于选择XML文档中的节点的语言,可以与HTML一起使用

css选择器

  • 用于将样式应用于HTML文档的语言
  • 将样式与特定的HTML元素相关联
  • Scrapy中css选择器的代码最后也会转换成xpath选择器的代码

正则表达式

  • 提取非标签内容

xpath语法

  • 使用路径表达式来选取XML文档中的节点活结点集
表达式描述
nodename选取节点名
/从根节点选取
//选取所有符合条件的节点,而不考虑他们的位置
.选取当前节点
选取当前节点的父节点
@选取属性
  • 谓语用来查找某个特定节点或者包含某个指定的值的节点
  • 谓语被嵌入在方括号中
路径表达式结果
/bookstore/book[1]选取属于bookstore子元素的第一个book元素
//title[@lang]选取所有拥有名为lang的属性的title元素
//title[@lang=‘eng’]选取所有拥有值为eng的lang属性的title元素

路径表达式例举

路径表达式结果
/bookstore选取根元素booksotre
/bookstore/book选取属于bookstore的子元素的所有book元素
//book选取所有book子元素,而不管他们在文档中的位置
/bookstore/book选取属于bookstore元素的后代的所有book元素,而不管他们位于bookstore之下的什么位置
//@lang选取名为lang的所有属性
/bookstore/book/text()选取属于bookstore的子元素的所有book元素的文本

xpath选择器

  • Scrapy中xpath选择器
    • 基于Ixml库
  • 获取选择器的网页数据
    • extract()
      • 提取selector列表中的网页数据
      • 如果列表为空,取下标为0的网页数据会抛出异常
    • extract_first()
      • 提取selector列表中下标为0的网页数据
      • 如果列表为空,不会抛出异常,返回None

爬取从页面中提取的URL

使用场景

  • 详情页爬取
  • 多层级目录爬取

提取URL发起HTTP请求

  • 构造request对象
    • 指定HTTP请求的URL
    • 指定处理这个页面的回调方法
    • 关闭去重标记
  • 使用yield返回request对象

request与对应的response传递数据

  • meta字典

Scrapy的item模块

item的作用

  • 定义框架中数据传输的形式

定义item

  • 定义Item类并继承scrapy.Item
  • 定义变量
    • 变量名
    • 变量类型
      - scrapy.Field()
  • 使用item
    • 使用字典的方式给item赋值
      • item[“变量名”] = 赋值
  • 使用yield返回item
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
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