[Pholcus爬虫] 实现一个简单的下载文件的动态规则

最新推荐文章于 2022-09-29 11:49:21 发布

weixin_34185364

最新推荐文章于 2022-09-29 11:49:21 发布

阅读量293

点赞数

文章标签：爬虫数据库 python

原文链接：https://my.oschina.net/henrylee2cn/blog/741403

版权

2019独角兽企业重金招聘Python工程师标准>>>

Pholcus爬虫的动态规则使用 .pholcus.html 作为规则文件后缀，默认放在当前目录的 ./pholcus_pkg/spiders 文件夹中。用户可以在配置文件 ./pholcus_pkg/config.ini 中通过修改“spiderdir”字段来修改动态规则目录，下面代码是一个下载本人github主页的动态规则示例：

<Spider>
    <Name>henrylee2cn github profile</Name>
    <Description>(HTML动态规则示例) 文件下载测试 [https://github.com/henrylee2cn]</Description>
    <!-- Pausetime为0，表示使用操作界面设置的暂停时间 -->
    <Pausetime>0</Pausetime>
    <!-- EnableLimit为false，表示默认使用请求数作为操作界面采集上限的控制项 -->
    <EnableLimit>false</EnableLimit>
    <!-- EnableCookie为false，表示不缓存cookie，从而软件将自动更换User-Agent -->
    <EnableCookie>false</EnableCookie>
    <!-- EnableKeyin为false，表示不使用来自操作界面的自定义配置信息 -->
    <EnableKeyin>false</EnableKeyin>
    <!-- NotDefaultField为true，表示不输出文本结果的默认字段如Url、ParentUrl、DownloadTime -->
    <NotDefaultField>true</NotDefaultField>
    <!-- Namespace影响结果输出的路径或者数据库、表单名称 -->
    <Namespace>
        <Script></Script>
    </Namespace>
    <!-- SubNamespace根据结果数据调整结果输出的路径或者数据库、表单名称 -->
    <SubNamespace>
        <Script></Script>
    </SubNamespace>
    <!-- Root为采集规则执行的入口 -->
    <Root>
        <Script param="ctx">
        ctx.JsAddQueue({
            Url: "https://github.com/henrylee2cn",
            Rule: "github"
        });
        </Script>
    </Root>
    <!-- Rule为各个规则分支，可以有多个 -->
    <Rule name="github">
        <ParseFunc>
            <Script param="ctx">
            // 打印日志
            ctx.Log().Debug("henrylee2cn's github URL: %v", ctx.GetUrl());
            // ctx.FileOutput()直接输出文件，可选参数为空时根据url自动判断文件名
            ctx.FileOutput();
            </Script>
        </ParseFunc>
    </Rule>
</Spider>

这里下载Pholcus幽灵蛛爬虫源码。

转载于:https://my.oschina.net/henrylee2cn/blog/741403