pyspider 初探

最新推荐文章于 2024-08-09 07:12:28 发布

地球没有花

最新推荐文章于 2024-08-09 07:12:28 发布

阅读量951

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/getyouwant/article/details/75637267

版权

python 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

哎，图都没了，这个 sb csdn，简直了，算了就当自己记录了。

一、安装

安装就不说了，没什么可以说的，就 pip install pyspider 就行。

需要注意的是，写这篇文章的时候，pyspider 在 windows （至少是win7）下兼容并不好，会报错。

二、启动

我用的是 py2.7

cd 到 /usr/local/python27/lib/python2.7/site-packages/pyspider 目录下，执行 ./run.py 文件。

此时会开启一个 webui 的服务器，端口为 5000。从浏览器打开 ip:5000。

点击 create 按钮，新建一个爬虫：

此时就新建好了一个爬虫项目。

三、分析目标页面

这里我以微盘（http://vdisk.weibo.com/?cid=0&sixbread=6）练手，之所以从这里爬是因为这里是“全部”的资源列表。

在这个页面里，我们所关心的只是如图的两部分：

对于第一部分，查看其源码：

规律：http://vdisk.weibo.com/s/xxxxxxxxxxxxxx

对于第二部分，查看其源码：

规律： http://vdisk.weibo.com/?cid=0&type=&page=x

四、编码

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2017-07-20 13:41:11
# Project: weipan

from pyspider.libs.base_handler import *
import os
import json

class Handler(BaseHandler):
    headers= {
		'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
		'Accept-Encoding':'gzip, deflate, sdch',
		'Accept-Language':'zh-CN,zh;q=0.8',
		'Cache-Control':'max-age=0',
		'Connection':'keep-alive',
		'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.101 Safari/537.36'
    }
 
    crawl_config = {
        'headers' : headers,
        'timeout' : 100,
        'itag': 'v1'
    }

    
    def on_start(self):
        self.crawl('http://vdisk.weibo.com/?cid=0&sixbread=6', callback=self.index_page)

    
    def index_page(self, response):
        for each in response.doc('a[href^="http://vdisk.weibo.com/s/"]').items():
            self.crawl(each.attr.href, callback=self.detail_page)
        for each in response.doc('a[href^="http://vdisk.weibo.com/?cid=0&type=&page="]').items():
            self.crawl(each.attr.href, callback=self.index_page)
    
    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }
    
    def on_result(self, result):
        fobj = open('/home/tanxiaolong/script/record','a')
        rlt = json.dumps(result)
        if rlt != 'null':
            fobj.write('\n'+json.dumps(result))

首先，on_start 这里是入口，把入口地址写到 self.crawl(url, callback=self.index_page)，再配置一个回调方法，这里是 index_page。意思是，首先这个爬虫会从 url 处入手爬取，并把结果返回给 index_page 方法。

第二步，在 index_page 里面，进行我们关心的两部分的分析：

for each in response.doc('a[href^="http://vdisk.weibo.com/s/"]').items():
            self.crawl(each.attr.href, callback=self.detail_page)

这是第一部分，对我们的目标资源的获取。

这个是通过 response 对象的 doc 方法，查找 a 标签的 href 属性满足 http://vdisk.weibo.com/s/ 前缀的 dom，此时的 dom 结果已经被赋给了 each 变量，通过 each.attr.href 就能获取到一个新的 url，这个 url 将被爬取，怎么爬取？那就是第二行，继续进行 self.crawl(url,callback)，将结果返回给 detail_page。

for each in response.doc('a[href^="http://vdisk.weibo.com/?cid=0&type=&page="]').items():
            self.crawl(each.attr.href, callback=self.index_page)

第二部分，对页面上的下一页地址进行抓取。而这个 callback 返回的却是 index_page 为什么是 index_page 呢，因为资源页上不光有资源，还有下一页，这相当于是一个递归的爬取。

第三步，在 detail_page 里对结果进行返回

def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }

第四步，落地成文件

def on_result(self, result):
        fobj = open('/home/666/script/record','a')
        rlt = json.dumps(result)
        if rlt != 'null':
            fobj.write('\n'+json.dumps(result))

第五步，执行

①如图：

点击 run，下方的 follows 里会出现一个 “1”，点击 follows 看到里面有一个 url，这个就是入口 url，也就是说，刚才的 run 执行的是 on_start、

②如图：

点击执行按钮，会有如下结果：

点击了执行按钮后，会看到 follows 下面变成了 “34”，意思就是接下来有 34 个将要爬取的 url。

从这 34 个 url 里，我们看到了两拨 url，一个是资源的 url，一个是页码的 url。

这一步执行的就是代码里的 index_page 的方法，把页面中所有的资源和页码的 url 都爬取了下来。

③如图：

如果我执行这个，这个是一个资源的 url 吧，结果是下图：

这个 json 体就是最终的结果，你可以看到 url 和 title 两个字段。

更重要的一点是 follows 里面没有 url 了，这是因为这个资源已经是最终的地址了，里面再没有符合要求的 url 了。那么这个爬取就会结束返回结果并且跳出来，执行下一个。