python2 爬虫_Python之路【第二十三篇】爬虫

difference between urllib and urllib2

自己翻译的装逼必备

What is the difference between urllib andurllib2 modules of Python?#python的urllib2模块和urllib模块之间有什么不同呢？

You might be intrigued by the existence of two separate URL modules in Python - urllib and urllib2. Even more intriguing: they are not alternatives foreach other.

So whatis the difference between urllib and urllib2, anddo we need them both?#这两个模块你可能好奇，他们不是互相替代的模块。所以什么是他们之间的不同呢？什么时候我们使用他们？

urllibandurllib2 are both Python modules that do URL request related stuff but offer different functionalities. Their two most significant differences are listed below:#urlib和urlib2他们都是访问URL相关请求功能的模块，下面列出了他们之间的重要差异：

urllib2 can accept a Request object to set the headers fora URL request, urllib accepts only a URL. That means, you cannot masquerade your User Agent string etc.#urlib2 可以接受请求对象去设置这个请求的头部，urlib仅能接收一个URL意思是你不能伪装你的用户代理字符串。

urllib provides the urlencode method which is used for the generation of GET query strings, urllib2 doesn't have such a function. This is one of the reasons why urllib is often used along with urllib2.

#urlib 提供了 urlencode 方法用户生成和查询字符串，urlib2不支持这个功能，这是为什么常常urlib和urlib2一起使用的原因

For other differences between urllib and urllib2 refer to their documentations, the links are given inthe References section.#看下面的链接

Tip: if you are planning to do HTTP stuff only, check out httplib2, it is much better than httplib or urllib orurllib2.#如果你仅仅是要获取http页面的东西的话，看看httplib2,它是比httplib or urlib or urlib2 更好的~~

在查询的时候看到的文章很不错：

http://www.hacksparrow.com/python-difference-between-urllib-and-urllib2.html

References

在Python3中合并了 urllib 和 urllib2， 统一命名为 urllib 了

urllib

整个Urllib的源码也就1000来行可以自己看下源码~~,并且urllib2和urllib一样也就一个文件~

1、urllib.urlopen(url, data=None, proxies=None, context=None)

打开一个url的方法，返回一个文件对象，然后可以进行类似文件对象的操作。

importurllib

f= urllib.urlopen('http://www.baidu.com/')

content=f.readlines()print content

对象返回的对象提供的方法如下:

#这些方法的使用方式与文件对象完全一样

read() , readline() ,readlines() , fileno() , close()#返回一个请求头信息

content =f.info()printcontent'''info方法内部调用的是headers方法

def info(self):

return self.headers'''

#返回请求的状态码信息

content =f.getcode()printcontent#返回请求的url信息

content =f.geturl()print content

2、urllib.urlencode(query) 将URL中的键值对一链接符&划分

>>> urllib.urlencode({'word':'luotianshuai','age':18})'age=18&word=luotianshuai'

所以我们可以结合urllib.urlopen来实现GET和POST请求

GET

importurllib

params= urllib.urlencode({'word':'luotianshuai','age':18})'''>>> urllib.urlencode({'word':'luotianshuai','age':18})

'age=18&word=luotianshuai''''f= urllib.urlopen('http://zhidao.baidu.com/search?%s' %params)print f.read()

POST

importurllib

params= urllib.urlencode({'word':'luotianshuai','age':18})'''>>> urllib.urlencode({'word':'luotianshuai','age':18})

'age=18&word=luotianshuai''''f= urllib.urlopen('http://zhidao.baidu.com/search',params)for i in f.read().split('\n'):print i

urllib2

importurllib2importjsonimportcookielibdef urllib2_request(url, method="GET", cookie="", headers={}, data=None):""":param url: 要请求的url

:param cookie: 请求方式，GET、POST、DELETE、PUT..

:param cookie: 要传入的cookie，cookie= 'k1=v1;k1=v2'

:param headers: 发送数据时携带的请求头，headers = {'ContentType':'application/json; charset=UTF-8'}

:param data: 要发送的数据GET方式需要传入参数，data={'d1': 'v1'}

:return: 返回元祖，响应的字符串内容 和 cookiejar对象

对于cookiejar对象，可以使用for循环访问：

for item in cookiejar:

print item.name,item.value"""

ifdata:

data=json.dumps(data)

cookie_jar=cookielib.CookieJar()

handler=urllib2.HTTPCookieProcessor(cookie_jar)

opener=urllib2.build_opener(handler)

opener.addheaders.append(['Cookie', 'k1=v1;k1=v2'])

request= urllib2.Request(url=url, data=data, headers=headers)

request.get_method= lambda: method

response=opener.open(request)

origin=response.read()returnorigin, cookie_jar#GET

result = urllib2_request('http://127.0.0.1:8001/index/', method="GET")#POST

result = urllib2_request('http://127.0.0.1:8001/index/', method="POST", data= {'k1': 'v1'})#PUT

result = urllib2_request('http://127.0.0.1:8001/index/', method="PUT", data= {'k1': 'v1'})

封装urllib请求

requests

上面是吧urllib2进行了封装并没有实现上传文件要是上传文件的话就更麻烦了，所以又出现了一个模块requests上面的操作就相当于底层的东西了，requests对其进行了封装！

所以我们只需安装个包就OK了~

#1、基本POST实例

importrequests

payload= {'key1': 'value1', 'key2': 'value2'}

ret= requests.post("http://httpbin.org/post", data=payload)printret.text#2、发送请求头和数据实例

importrequestsimportjson

url= 'https://api.github.com/some/endpoint'payload= {'some': 'data'}

headers= {'content-type': 'application/json'}

ret= requests.post(url, data=json.dumps(payload), headers=headers)printret.textprintret.cookies#向https://api.github.com/some/endpoint发送一个POST请求，将请求和相应相关的内容封装在 ret 对象中。

二、其他请求

requests.get(url, params=None, **kwargs)

requests.post(url, data=None, json=None, **kwargs)

requests.put(url, data=None, **kwargs)

requests.head(url,**kwargs)

requests.delete(url,**kwargs)

requests.patch(url, data=None, **kwargs)

requests.options(url,**kwargs)#以上方法均是在此方法的基础上构建

requests.request(method, url, **kwargs)

requests模块已经将常用的Http请求方法为用户封装完成，用户直接调用其提供的相应方法即可，其中方法的所有参数有：

def request(method, url, **kwargs):"""Constructs and sends a :class:`Request `.

:param method: method for the new :class:`Request` object.

:param url: URL for the new :class:`Request` object.

:param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.

:param data: (optional) Dictionary, bytes, or file-like object to send in the body of the :class:`Request`.

:param json: (optional) json data to send in the body of the :class:`Request`.

:param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.

:param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.

:param files: (optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': ('filename', fileobj)}``) for multipart encoding upload.

:param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.

:param timeout: (optional) How long to wait for the server to send data

before giving up, as a float, or a :ref:`(connect timeout, read

timeout) ` tuple.

:type timeout: float or tuple

:param allow_redirects: (optional) Boolean. Set to True if POST/PUT/DELETE redirect following is allowed.

:type allow_redirects: bool

:param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.

:param verify: (optional) whether the SSL cert will be verified. A CA_BUNDLE path can also be provided. Defaults to ``True``.

:param stream: (optional) if ``False``, the response content will be immediately downloaded.

:param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.

:return: :class:`Response ` object

:rtype: requests.Response

Usage::

>>> import requests

>>> req = requests.request('GET', 'http://httpbin.org/get')

"""

#By using the 'with' statement we are sure the session is closed, thus we

#avoid leaving sockets open which can trigger a ResourceWarning in some

#cases, and look like a memory leak in others.

with sessions.Session() as session:return session.request(method=method, url=url, **kwargs)

更多requests模块相关的文档见：http://cn.python-requests.org/zh_CN/latest/

结合reques可以进行浏览器一模一样的工作！

#!/usr/bin/env python#-*- coding:utf-8 -*-

__author__ = 'luotianshuai'

importrequestsimportjson

login_dic={'email':'shuaige@qq.com','password':'shuaige!','_ref':'frame',

}

login_ret= requests.post(url='https://huaban.com/auth/',

data=login_dic,

)printlogin_ret.textprint '*' * 50check_my_info= requests.get(url='http://huaban.com/ugb8cx9ky3/following/')print check_my_info.text

举例来说如果是在web上聊天原理上也是通过get或者post发送数据过去那么我们就可以通过reques来进行发送消息访问各种url 大赞~~

scrapy

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。

requests本质就是就是发送http请求，如果在requests基础上做个封装，我去某个网站或者某个域名一直去发送请求找到所有的url，下载东西的请求在写个方法源源不断的下载东西！这样我们就写了个框架。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

引擎(Scrapy)

用来处理整个系统的数据流处理, 触发事务(框架核心)

调度器(Scheduler)

用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

下载器(Downloader)

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

爬虫(Spiders)

爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

项目管道(Pipeline)

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

下载器中间件(Downloader Middlewares)

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

爬虫中间件(Spider Middlewares)

介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

调度中间件(Scheduler Middewares)

介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy中的数据流由执行引擎控制，其过程如下:

引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。

引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。

引擎向调度器请求下一个要爬取的URL。

调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。

一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。

引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。

Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。

引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。

(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

一、安装

pip install Scrapy#windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

在MAC安装的时候遇到了个有趣的问题自己总结了下面的文档~~，顺便赞下Google

I resolved a problem ,when you you install scrapy-----{mac os system}, maybe you will get error like:'''sted>=10.0.0->Scrapy)

Installing collected packages: six, w3lib, parsel, PyDispatcher, Twisted, Scrapy

Found existing installation: six 1.4.1

DEPRECATION: Uninstalling a distutils installed project (six) has been deprecated and will be removed in a future version. This is due to the fact that uninstalling a distutils project will only partially uninstall the project.

Uninstalling six-1.4.1:

Exception:

Traceback (most recent call last):

File "/Library/Python/2.7/site-packages/pip-8.1.1-py2.7.egg/pip/basecommand.py", line 209, in main

status = self.run(options, args)

File "/Library/Python/2.7/site-packages/pip-8.1.1-py2.7.egg/pip/commands/install.py", line 317, in run

prefix=options.prefix_path,

File "/Library/Python/2.7/site-packages/pip-8.1.1-py2.7.egg/pip/req/req_set.py", line 726, in install

requirement.uninstall(auto_confirm=True)

File "/Library/Python/2.7/site-packages/pip-8.1.1-py2.7.egg/pip/req/req_install.py", line 746, in uninstall

paths_to_remove.remove(auto_confirm)

File "/Library/Python/2.7/site-packages/pip-8.1.1-py2.7.egg/pip/req/req_uninstall.py", line 115, in remove

renames(path, new_path)

File "/Library/Python/2.7/site-packages/pip-8.1.1-py2.7.egg/pip/utils/__init__.py", line 267, in renames

shutil.move(old, new)

File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/shutil.py", line 302, in move

copy2(src, real_dst)

File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/shutil.py", line 131, in copy2

copystat(src, dst)

File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/shutil.py", line 103, in copystat

os.chflags(dst, st.st_flags)

OSError: [Errno 1] Operation not permitted: '/tmp/pip-ZVi5QO-uninstall/System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/six-1.4.1-py2.7.egg-info'

You are using pip version 8.1.1, however version 8.1.2 is available.

You should consider upgrading via the 'pip install --upgrade pip' command.

LuoTimdeMacBook-Pro-2:~ luotim$ sudo pip install Scrapy --ingnore-installed six'''Sixis a Python 2 and 3compatibility library.

frist thanks googleand what's fuck baidu ! so you should be do this to resolved the problem:

1、Download the six-1.10.0.tar.gz package

wget https://pypi.python.org/packages/b3/b2/238e2590826bfdd113244a40d9d3eb26918bd798fc187e2360a8367068db/six-1.10.0.tar.gz#md5=34eed507548117b2ab523ab14b2f8b55

2、UnZip software package

tar-zxvf six-1.10.0.tar.gz3、Use this command to install it.

cd cd six-1.10.0

sudo python setup.py install

http://stackoverflow.com/questions/29485741/unable-to-upgrade-python-six-package-in-mac-osx-10-10-2

二、基本使用

1、创建项目

运行命令他和Django一样要想穿件Project必须执行下面的命令:

scrapy startproject your_project_name

将会在执行命令的目录自动创建如下文件：

LuoTimdeMacBook-Pro-2:day26 luotim$ tree meinv/meinv/├── meinv

│   ├──__init__.py

│   ├── items.py

│   ├── pipelines.py

│   ├── settings.py

│   └── spiders

│   └──__init__.py

└── scrapy.cfg2 directories, 6 files

scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)

items.py    设置数据存储模板，用于结构化数据，如：Django的Model

pipelines    数据处理行为，如：一般结构化的数据持久化

settings.py 配置文件，如：递归的层数、并发数，延迟下载等

spiders      爬虫目录，如：创建文件，编写爬虫规则

2、编写爬虫

注意：一般创建爬虫文件时，以网站域名命名

在spiders目录中新建 xiaohuar_spider.py 文件

#!/usr/bin/env python#-*- coding:utf-8 -*-

__author__ = 'luotianshuai'

importscrapy#定义一个类

classXiaoHuarSpider(scrapy.spiders.Spider):#这个类是有名字的可以随便定义

name = "xiaohuar"

#定义限制只能在这个域名下爬

allowed_domains = ["xiaohuar.com"]#起始URL

start_urls =["http://www.xiaohuar.com/hua/",

]'''#当程序运行的时候,会自动执行我们定义的上面的类,并访问start_urls并下载里面的内容封装起来传给parese中的"response"

这个都是scrapy内部干的'''

defparse(self, response):#print(response, type(response))

#from scrapy.http.response.html import HtmlResponse

#print(response.body_as_unicode())

'''然后就可以通过response获取这次请求的相关信息'''current_url=response.url

body=response.body

unicode_body= response.body_as_unicode()

3、运行

进入project_name目录，运行命令！

#进入scrapy项目目录里

cd meinv#执行命令，这个spider_name就是在我们定义爬虫的那个类里的name字段

scrapy crawl spider_name --nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

#!/usr/bin/env python#-*- coding:utf-8 -*-

__author__ = 'luotianshuai'

importscrapyfrom scrapy.http importRequestfrom scrapy.selector importHtmlXPathSelectorimportreimporturllibimportosclassXiaoHuarSpider(scrapy.spiders.Spider):

name= "xiaohuar"allowed_domains= ["xiaohuar.com"]

start_urls=["http://www.xiaohuar.com/list-1-1.html",

]defparse(self, response):'''1 分析页面

2 找到页面中符合规则的内容(校花图片)，保存

3 找到所有的a标签，再访问其他a标签，一层一层的搞下去'''hxs=HtmlXPathSelector(response)'''hxs = HtmlXPathSelector(response)

#格式化源码

#以前咱们从html页面中去获取某些数据的时候需要用正则,现在不用了scrapy给咱们提供了类选择器

#只要创建一个对象然后他就会页面中去找,他支持 --链式编程-- 类似于找:

div[@class='xxx]的标签 如果在加个/a 就是div[@class='xxx]/a 就是div下的class='xxx'的下面的a标签'''

#如果url是 http://www.xiaohuar.com/list-1-\d+.html通过正则去判断,这里首选需要了解的是

#这个网站的URL设计就可以了,这是符合URL的

if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):#这里是调用hxs然后去找到div下class='item_list infinite_scroll'下的div,

#这个同样也是需要看下网页的设计结构,校花网的设计结构就是这样的嘿嘿....

items = hxs.select('//div[@class="item_list infinite_scroll"]/div')for i inrange(len(items)):#这个校花里的DIV是可以通过索引去取值的

src =hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' %i).extract()#@表示取里面的属性

name =hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' %i).extract()

school=hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' %i).extract()ifsrc:

ab_src= "http://www.xiaohuar.com" +src[0]

file_name= "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))#这个方法下载文件,并且file_name为文件

urllib.urlretrieve(ab_src, file_name)#获取所有的url，继续访问，并在其中寻找相同的url

all_urls = hxs.select('//a/@href').extract() #查找所有的A标签有href属性的URL

#去循环他

for url inall_urls:#并且这里在加了一个判断,也可以不加,并且符合

if url.startswith('http://www.xiaohuar.com/list-1-'):#如果你返回了一个URL并且有callback就会去递归,还去执行self.parse

yield Request(url, callback=self.parse)

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

执行效果，哇哦·

如果上面执行的话会下载很多层，我已我们可以设置层数：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

#!/usr/bin/env python#-*- coding:utf-8 -*-

importscrapyimporthashlibfrom tutorial.items importJinLuoSiItemfrom scrapy.http importRequestfrom scrapy.selector importHtmlXPathSelectorclassJinLuoSiSpider(scrapy.spiders.Spider):

count=0

url_set=set()

name= "jluosi"domain= 'http://www.jluosi.com'allowed_domains= ["jluosi.com"]

start_urls=["http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",

]defparse(self, response):

md5_obj=hashlib.md5()

md5_obj.update(response.url)

md5_url=md5_obj.hexdigest()if md5_url inJinLuoSiSpider.url_set:pass

else:

JinLuoSiSpider.url_set.add(md5_url)

hxs=HtmlXPathSelector(response)if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):

item=JinLuoSiItem()

item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()

item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()

item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P\d*)&')

item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()

item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()

item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()

product_list=[]

product_tr= hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')for i in range(2,len(product_tr)):

temp={'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),

}

product_list.append(temp)

item['product_list'] =product_listyielditem

current_page_urls= hxs.select('//a/@href').extract()for i inrange(len(current_page_urls)):

url=current_page_urls[i]if url.startswith('http://www.jluosi.com'):

url_ab=urlyield Request(url_ab, callback=self.parse)

选择器demo

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

5、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据(获取页面的价格、商品名称、QQ等)，则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

#-*- coding: utf-8 -*-

#Define here the models for your scraped items#

#See documentation in:#http://doc.scrapy.org/en/latest/topics/items.html

importscrapyclassJieYiCaiItem(scrapy.Item):

company=scrapy.Field()

title=scrapy.Field()

qq=scrapy.Field()

info=scrapy.Field()

more= scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

#!/usr/bin/env python#-*- coding:utf-8 -*-

importscrapyimporthashlibfrom beauty.items importJieYiCaiItemfrom scrapy.http importRequestfrom scrapy.selector importHtmlXPathSelectorfrom scrapy.spiders importCrawlSpider, Rulefrom scrapy.linkextractors importLinkExtractorclassJieYiCaiSpider(scrapy.spiders.Spider):

count=0

url_set=set()

name= "jieyicai"domain= 'http://www.jieyicai.com'allowed_domains= ["jieyicai.com"]

start_urls=["http://www.jieyicai.com",

]

rules=[#下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)

#Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),

#下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)

#Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),

]defparse(self, response):

md5_obj=hashlib.md5()

md5_obj.update(response.url)

md5_url=md5_obj.hexdigest()if md5_url inJieYiCaiSpider.url_set:pass

else:

JieYiCaiSpider.url_set.add(md5_url)

hxs=HtmlXPathSelector(response)if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):

item=JieYiCaiItem()

item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()

item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P\d*)&')

item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()

item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()

item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()yielditem

current_page_urls= hxs.select('//a/@href').extract()for i inrange(len(current_page_urls)):

url=current_page_urls[i]if url.startswith('/'):

url_ab= JieYiCaiSpider.domain +urlyield Request(url_ab, callback=self.parse)

此处代码的关键在于：

将获取的数据封装在了Item对象中

yield Item对象 (一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理)

#-*- coding: utf-8 -*-

#Define your item pipelines here#

#Don't forget to add your pipeline to the ITEM_PIPELINES setting#See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

importjsonfrom twisted.enterprise importadbapiimportMySQLdb.cursorsimportre

mobile_re= re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')

phone_re= re.compile(r'(\d+-\d+|\d+)')classJsonPipeline(object):def __init__(self):

self.file= open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')defprocess_item(self, item, spider):

line= "%s %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))

self.file.write(line)returnitemclassDBPipeline(object):def __init__(self):

self.db_pool= adbapi.ConnectionPool('MySQLdb',

db='DbCenter',

user='root',

passwd='123',

cursorclass=MySQLdb.cursors.DictCursor,

use_unicode=True)defprocess_item(self, item, spider):

query=self.db_pool.runInteraction(self._conditional_insert, item)

query.addErrback(self.handle_error)returnitemdef_conditional_insert(self, tx, item):

tx.execute("select nid from company where company = %s", (item['company'][0], ))

result=tx.fetchone()ifresult:pass

else:

phone_obj= phone_re.search(item['info'][0].strip())

phone= phone_obj.group() if phone_obj else ' 'mobile_obj= mobile_re.search(item['info'][1].strip())

mobile= mobile_obj.group() if mobile_obj else ' 'values=(

item['company'][0],

item['qq'][0],

phone,

mobile,

item['info'][2].strip(),

item['more'][0])

tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)defhandle_error(self, e):print 'error',e

上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。

在settings.py中做如下配置：

ITEM_PIPELINES ={'beauty.pipelines.DBPipeline': 300,'beauty.pipelines.JsonPipeline': 100,

}#每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

更多请参见

武sir博客：http://www.cnblogs.com/wupeiqi/articles/5354900.html

Scrapy文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html