确定爬取的对象
在浏览器F12打开查看页面元素,分析一下这个网站的情况,可以看到幻灯片的图片地址藏在这个id=supersized的ul标签里面,也看到页面导航栏的元素是id=menu的ul标签下面,粗略分析之后,我们才来开始安装环境也写代码。
搭建python环境(docker)
docker环境不用说啦,一条语句就可以搞定的事情
我自己使用的是3.5的版本,其他版本请随意
docker pull python:3.5
进入容器安装爬虫框架
pip install scrapy
创建爬虫项目
scrapy startproject CrawlImages
命令行调试爬取对象的页面元素
scrapy shell http://hideakihamada.com
# 使用选择器输出页面的元素
response.css('#menu').css('a').xpath('@href').extract()
# 可以看到正常输出导航栏的菜单元素
# 接下来输出幻灯片的地址
response.css('#supersized')
瓦特,这是怎么回事,明明页面有的元素,这个万能的爬虫选择器为什么没法get到我要的数据呢。还是得好好思考一下,我脑子一下子复杂起来,懒加载?后端渲染数据?前端渲染数据?不知道什么回事,我在浏览器页面审核元素找了找,发现了更多的秘密,原来在scrapt里面还有后面才渲染出来的变量,存了特别多的照片url。直觉告诉我,这个网站还没全部加载完就被我的小虫虫先爬了一下,于是后面加载的数据小虫虫就拿不到数据了。于是找了一下相关插件,先不找是不是最强的,找个能用的就好,这个插件就是辅助小虫虫在拿到页面之前把网站先全部加载完,不管该网站用什么技术去渲染。
安装渲染网页的插件
专门渲染网页的插件——splash,docker安装即可
docker run -p 8050:8050 --name=splash scrapinghub/splash
#查看容器的ip地址
docker inspect splash
可以用主机ip加端口浏览器访问是不是能正常打开,能的话就恭喜你了,下