Scrapy简介:
Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
仓库地址:
说明:
1、数据来源:宝贝回家网
2、数据后处理中加入了经纬度坐标,方便在空间上定位,原始数据是没有这个信息的
技术点:
scrapy爬虫框架
mysql连接池技术
数据清洗(正则表达式)
百度API地理编码
Spider的工作流程,就不具体说了,他是一个很强大的爬虫框架。
运行结果:
爬虫主要代码:
# -*- coding: utf-8 -*-
#更改搜索路径,但没有用哦
import random
import sys
import os
from PersonItem import PersonItem
curPath = os.path.abspath(os.path.dirname(__file__))
rootPath = os.path.split(curPath)[0]
sys.path.append(rootPath)
import scrapy
import json
import re
from urllib.request import urlopen, quote
import datetime
import time
#E:\Desktop\python\zhiyuan_test\zhiyuan_test
#
# PATH = os.environ
# for key in PATH:
# print(key, PATH[key])
#print(rootPath)
#百度坐标地理编码
def getBlnglat(address):
url = 'http://api.map.baidu.com/geocoder/v2/'
output = 'json'
ak = 'O8fpFPd6pw5VYK1uGsdMSAtL5MQRjAjs'
add = quote(address) #为防止乱码,先用quote进行编码
uri = url + '?' + 'address=' + add + '&output=' + output + '&ak=' + ak
req = urlopen(uri)
res = req.read().decode()
temp = json.loads(res)
# print(temp.keys())
# print(temp.values())
# print(type(temp['result']))
if temp['status'] == 0:
lng = temp['result']['location']['lng'] # 纬度
lat = (temp['result']['location&